2011 2012
BEDRIJFSECONOMISCHE WETENSCHAPPEN master in de verkeerskunde: mobiliteitsmanagement (Interfacultaire opleiding)
Masterproef Analyse van het verband tussen Black Carbon blootstelling en tripkarakteristieken afgeleid uit GPS-logs en dagboekjes Promotor : Prof.dr.ir Tom BELLEMANS
Philip Temmerman
Copromotor : Prof. dr. Luc INT PANIS Mevrouw Evi DONS
Masterproef voorgedragen tot het bekomen van de graad van master in de verkeerskunde , afstudeerrichting mobiliteitsmanagement
Universiteit Hasselt | Campus Diepenbeek | Agoralaan Gebouw D | BE-3590 Diepenbeek Universiteit Hasselt | Campus Hasselt | Martelarenlaan 42 | BE-3500 Hasselt
2011 2012
BEDRIJFSECONOMISCHE WETENSCHAPPEN master in de verkeerskunde: mobiliteitsmanagement (Interfacultaire opleiding)
Masterproef Analyse van het verband tussen Black Carbon blootstelling en tripkarakteristieken afgeleid uit GPS-logs en dagboekjes Promotor : Prof.dr.ir Tom BELLEMANS
Philip Temmerman
Copromotor : Prof. dr. Luc INT PANIS Mevrouw Evi DONS
Masterproef voorgedragen tot het bekomen van de graad van master in de verkeerskunde , afstudeerrichting mobiliteitsmanagement
Voorwoord
Voorwoord Dit proefschrift vormt de afsluiting van mijn masteropleiding Verkeerskunde. Bij het verwezenlijken ervan kon ik rekenen op de hulp van een aantal personen. Ik wil dit voorwoord dan ook gebruiken om hen te bedanken. Eerst en vooral had ik deze opdracht niet tot een goed einde kunnen brengen zonder de kennis die ons is bijgebracht door onze professoren en hun assistenten gedurende de voorbije jaren. Uiteraard gaat mijn dank ook uit naar Tom Bellemans (promotor), Luc Int Panis (copromotor) en Evi Dons (begeleider). Zij hebben mij altijd bijgestaan met constructieve feedback en nuttige informatie. Verder wil ik Luc Int Panis nog bedanken voor het voorstellen van dit onderwerp. Ook
andere
medewerkers
van
de
onderzoeksinstituten
VITO
en
IMOB
hebben
bijgedragen tot dit werk met het verzamelen van gegevens en raad bij statistische vraagstukken. Ik hoop u een duidelijk, interessant en bruikbaar rapport te kunnen presenteren. Philip Temmerman
I
II
Samenvatting
Samenvatting Korte periodes van blootstelling aan hoge concentraties black carbon (BC) vormen een gevaar voor de gezondheid. Deelnemen aan het verkeer is daarvan het voorbeeld bij uitstek omdat dieselmotoren een belangrijke bron zijn van BC. Daarom is het van belang om een idee te hebben van de BC-concentraties waaraan mensen worden blootgesteld als ze onderweg zijn. Het doel van dit onderzoek is dan ook een beter zicht te krijgen op variaties in BC-concentraties in transport en de blootstelling in het verkeer nauwkeuriger te voorspellen aan de hand van bijvoorbeeld de output van een AB-model. In het kader van een onderzoek door VITO en IMOB hebben 16 personen in de zomer van 2010 en 46 personen in de winter van 2010-2011 een week lang hun blootstelling aan BC gemeten en een dagboek bijgehouden van hun activiteiten en verplaatsingen. De PDA waarop de dagboekjes werden ingevuld, is uitgerust met een GPS-ontvanger en hield de coördinaten bij. De eerste stap van de gegevensverwerking bestaat uit het samenvoegen van de dagboekjes en de BC-metingen. Het motief van de verplaatsing wordt afgeleid uit de daaropvolgende activiteit of de voorafgaande activiteit als de daaropvolgende activiteit een thuisactiviteit is. Vervolgens kunnen de verplaatsingen gescheiden worden van de activiteiten. In dit onderzoek zal alleen gekeken worden naar de observaties tijdens verplaatsingen. De volgende stap is het samenvoegen van de verplaatsingsgegevens met de GPS-logs. De GPS-logs zijn niet volledig, het kan zijn dat de PDA niet aan stond, de accu leeg was of dat er geen GPS-ontvangst mogelijk was. Hierdoor zal een deel van de observaties niet voorkomen in de dataset met de toegevoegde GPS-gegevens. Bij de modi over het spoor viel ongeveer twee derde van de observaties weg. Daarom zal voor ritten met de trein, tram en metro de dataset zonder GPS-gegevens gebruikt worden. Bij de andere modi was de ontvangstkwaliteit van de GPS redelijk goed. Ongeveer twee derde van de tijd was er verbinding en de geregistreerde punten kwamen meestal goed overeen met de wegenkaart van OpenStreetMap. Voor deze modi kan dus wel de dataset gebruikt worden met GPS-gegevens. Vervolgens werden deze punten gekoppeld met een wegenkaart. Hiervoor is een kaart van het Vlaams Verkeerscentrum gebruikt die gemodelleerde verkeerintensiteiten bevat. Deze kaart is echter weinig gedetailleerd waardoor een deel van de observaties niet gekoppeld kon worden. Er is vanuit gegaan dat het geen zin heeft om de eigenschappen
III
Samenvatting van een weg toe te voegen aan de observatie indien ze (op de kaart) meer dan 30 m van elkaar liggen. De gegevens kunnen nu geanalyseerd worden volgens vervoermiddel, locatie, tijdstip, verplaatsingsmotief, snelheid of verkeersintensiteit. De voertuigen rondom de observator zijn de directe bron van de gemeten hoeveelheid BC. Hoe meer verkeer (vooral voertuigen met dieselmotor), hoe hoger de BCconcentratie. In een auto op een weg waar 2000 voertuigen per uur voorbijkomen, bedraagt de BC-concentratie ongeveer 10 µg/m³. Uit de analyse bleek dat de verkeersintensiteit duidelijk terug te vinden is in het verband tussen de gemeten BCconcentraties enerzijds en het gekozen vervoermiddel, het moment van de dag, de stedelijkheidsgraad en de wegcategorie anderzijds. Het algemeen gemiddelde gemeten in het verkeer bedraagt 4976 ng/m³. Er zijn echter duidelijke verschillen indien onderscheid gemaakt wordt naar:
Vervoermiddel: auto 6286; bus 6567; fiets 3555; te voet 3175; tram/metro 5066; trein 2394 ng/m³
Tijdstip: spits 5791; dal 4723; weekend 3746 ng/m³
Stedelijkheidsgraad: stad 7764; voorstad 6448; platteland 5777 ng/m³
Wegcategorie: snelwegen 10640; primaire en secundaire wegen 7974; overige wegen 5845 ng/m³
Ter vergelijking: de gemiddelde BC-concentratie thuis en op het werk bedragen respectievelijk 1255 en 1068 ng/m³. De verschillen in BC tussen stedelijkheidsgraden, wegcategorieën en tijdstippen zijn veel meer uitgesproken in auto en bus dan bij langzaam verkeer. Fietsers en voetgangers zijn blijkbaar beter in staat hoge concentraties te vermijden door verkeersvrije paden en minder drukke wegen te kiezen. De concentratie is al beduidend lager als men een aantal meter van de bron is verwijderd. De verschillen in blootstelling naargelang het tijdstip en het soort weg zijn terug te vinden in de opdeling volgens verplaatsingsmotief. Veel werk- en dienstengerelateerde verplaatsingen
vinden
plaats tijdens de spits en
kennen
daardoor een
hogere
blootstelling dan bijvoorbeeld onderweg zijn naar ontspanningsactiviteiten of een wandeling maken.
IV
Samenvatting Het motief van de verplaatsing kan echter niet gebruikt worden om een model op te stellen. Het is immers niet direct verantwoordelijk voor de verschillen in blootstelling. Vervolgens wordt een model opgesteld waarmee BC-concentraties in het verkeer voorspeld kunnen worden. Het model is opgesplitst per vervoermiddel en heeft de vorm van
een
regressieboom.
Het
vertakt
verder
naar
tijdstip
en
vervolgens
naar
stedelijkheidsgraad. Enkel bij ritten met de auto waren er voldoende gegevens om de concentraties te bepalen op snelwegen. Het was zelfs mogelijk het model te verfijnen door de verkeersintensiteit in rekening te brengen. Bij verplaatsingen met de bus, fiets en te voet, was het enkel mogelijk onderscheid te maken tussen tijdstip en stedelijkheidsgraad. Voor verplaatsingen met de tram of metro kon er enkel opgedeeld worden naar tijdstip. Voor treinritten was zelfs dat niet mogelijk en is er enkel een algemeen gemiddelde uitgekomen. Deze modellen kunnen samen met de output van een AB-model worden gebruikt om de BC-concentratie waaraan verkeersdeelnemers worden blootgesteld te voorspellen. Trefwoorden: Black Carbon, Blootstelling, Transport, Verkeer, Model, Regressieboom
V
VI
Inhoud
Inhoud 1
Inleiding ___________________________________________________________ 1
2
Literatuurstudie ______________________________________________________ 3 2.1
Wat is black carbon? ______________________________________________ 3
2.2
Hoe wordt het gemeten? ___________________________________________ 4
2.3
Milieueffecten van black carbon ______________________________________ 6
2.4
Gezondheidseffecten van black carbon ________________________________ 7
3
Opzet van het onderzoek ______________________________________________ 9
4
Gegevensverwerking _________________________________________________ 11
5
6
7
4.1
BC-metingen ___________________________________________________ 11
4.2
Dagboekjes ____________________________________________________ 11
4.3
GPS-logs ______________________________________________________ 13
4.4
Kwaliteitscontrole GPS-logs ________________________________________ 14
Koppeling met wegenkaart ____________________________________________ 19 5.1
Wegenkaart ____________________________________________________ 19
5.2
‘Spatial join’ ____________________________________________________ 21
5.3
Controle _______________________________________________________ 24
5.4
Overzicht ______________________________________________________ 26
Analyse ___________________________________________________________ 27 6.1
Vervoermiddel __________________________________________________ 27
6.2
Locatie-eigenschappen ___________________________________________ 29
6.3
Snelheid _______________________________________________________ 33
6.4
Tijdstip ________________________________________________________ 36
6.5
Verkeersintensiteit _______________________________________________ 41
6.6
Reistijd ________________________________________________________ 43
6.7
Motief van de verplaatsing ________________________________________ 46
Model _____________________________________________________________ 51 7.1
Variabelen _____________________________________________________ 51
7.2
Methodiek _____________________________________________________ 53
VII
Inhoud 7.3
Resultaten _____________________________________________________ 55
7.3.1 Auto ________________________________________________________ 55 7.3.2 Bus _________________________________________________________ 57 7.3.3 Fiets ________________________________________________________ 57 7.3.4 Te voet ______________________________________________________ 58 7.3.5 Tram & metro _________________________________________________ 59 7.3.6 Trein ________________________________________________________ 60 8
Conclusie __________________________________________________________ 61
Bibliografie____________________________________________________________ 63 Bijlagen ______________________________________________________________ 69 Bijlage 1
Spitsfactoren CAR-model ______________________________________ 69
Bijlage 2
Wegenkaart ________________________________________________ 71
Bijlage 3
Correlatiematrices ____________________________________________ 73
Bijlage 4
Modellen ___________________________________________________ 75
VIII
Tabellen & Figuren
Tabellen & Figuren Tabel 1
Overzicht verplaatsingsmotieven. _________________________________ 12
Tabel 2
Gegevensverlies bij koppeling met GPS-logs. ________________________ 14
Tabel 3
Overzicht wegtypes en -categorieën. ______________________________ 31
Figuur 1
Elektronenmicroscoopafbeelding van black carbon. ____________________ 3
Figuur 2
Uitstoot van BC door industrie en biomassa (ng C/m² s).________________ 4
Figuur 3
Drie optische manieren om BC te meten. ____________________________ 4
Figuur 4
Meten van de koolstofcomponenten van roet. _________________________ 5
Figuur 5
Micro-aethalometer en PDA. _____________________________________ 10
Figuur 6
Visualisatie van een traject met de gemeten snelheid en BC-concentratie. _ 14
Figuur 7
Multipath effect. _______________________________________________ 15
Figuur 8
Tijdsaandeel aantal satellieten. ___________________________________ 17
Figuur 9
Wegenkaart Vlaams Verkeerscentrum. _____________________________ 20
Figuur 10 GPS tracks op wegenkaart. ______________________________________ 21 Figuur 11 Percentage van de GPS-coördinaten binnen x meter van een weg. _______ 22 Figuur 12 BC in functie van de afstand tot de weg. ____________________________ 23 Figuur 13 Afstand tot dichtstbijzijnde weg in functie van ontvangstkwaliteit. ________ 24 Figuur 14 Verkeersintensiteit in functie van tijdstip, gemiddelde van alle GPS-tracks._ 25 Figuur 15 Proces gegevensverwerking. _____________________________________ 26 Figuur 16 BC in functie van het gekozen vervoermiddel. _______________________ 28 Figuur 17 BC in functie van stedelijkheidsgraad. ______________________________ 29 Figuur 18 BC in functie van stedelijkheidsgraad en vervoermiddel. _______________ 30 Figuur 19 BC in functie van wegcategorie. __________________________________ 31 Figuur 20 BC in functie van wegcategorie en vervoermiddel. ____________________ 32 Figuur 21 BC in functie van gereden snelheid, enkel auto. ______________________ 33 Figuur 22 BC in functie van gereden snelheid, per wegcategorie, enkel auto. _______ 34 Figuur 23 Uitstoot van EC en OC in functie van de gereden snelheid. _____________ 35 Figuur 24 BC in functie van tijdstip. _______________________________________ 36 Figuur 25 BC en snelheid in functie van tijdstip, enkel auto. ____________________ 37 Figuur 26 Snelheidsverschil tussen ochtend- en avondspits, enkel auto. ___________ 38 Figuur 27 Verschil tussen spits, dal en weekend. _____________________________ 39 Figuur 28 Verschil tussen spits, dal en weekend per vervoermiddel. ______________ 40 Figuur 29 BC in functie van verkeersintensiteit. ______________________________ 41 Figuur 30 BC in functie van verkeersintensiteit, per wegcategorie, enkel auto. ______ 42 Figuur 31 BC-concentratie tijdens lange autoritten. ___________________________ 43
IX
Tabellen & Figuren Figuur 32 Wegkeuze tijdens lange autoritten. ________________________________ 44 Figuur 33 BC-concentratie en verkeersintensiteit tijdens lange autoritten.__________ 45 Figuur 34 BC in functie van verplaatsingsmotief. _____________________________ 46 Figuur 35 Verplaatsingsmotieven opgedeeld volgens wegcategorie. _______________ 47 Figuur 36 Verplaatsingsmotieven opgedeeld volgens spits, dal en weekend. ________ 48 Figuur 37 Modal split per verplaatsingsmotief. _______________________________ 49
Model 1
BC-concentratie auto (ng/m³) ____________________________________ 56
Model 2
BC-concentratie bus (ng/m³) ____________________________________ 57
Model 3
BC-concentratie fiets (ng/m³) ____________________________________ 58
Model 4
BC-concentratie te voet (ng/m³) __________________________________ 59
Model 5
BC-concentratie tram & metro (ng/m³) _____________________________ 59
Model 6
BC-concentratie trein (ng/m³) ____________________________________ 60
X
Gebruikte afkortingen
Gebruikte afkortingen AB
Activity-Based
BC
Black Carbon
CAR
Calculation of Air pollution from Road traffic
C02
Koolstofdioxide
DOS
Disk Operating System
EC
Elemental Carbon
FEATHERS
Forecasting Evolutionary Activity-Travel Environmental RepercussionS
GPS
Global Positioning System
LUR
Land Use Regression
MAAP
MultiAngle Absorption Photometry
OSM
OpenStreetMap
OC
Organic Carbon
OV
Openbaar Vervoer
PARROTS
PDA system for Activity Registration and Recording of Travel Scheduling
PDA
Personal Digital Assistant
SO2
Zwaveldioxide
VVC
Vlaams VerkeersCentrum
of
Households
and
their
XI
XII
Inleiding
1
Inleiding
Steeds vaker wordt ervan uitgegaan dat korte periodes van hoge blootstelling aan black carbon (BC) een belangrijke invloed hebben op de gezondheid (U.S. Environmental Protection Agency, 2012). Deelnemen aan het verkeer is daarvan het voorbeeld bij uitstek. Dieselmotoren zijn verantwoordelijk voor een belangrijk deel van de uitstoot van BC. Gemiddeld brengen mensen slechts 6% van hun tijd door in het verkeer maar de BCconcentraties zijn er gemiddeld 4 à 5 keer hoger dan thuis of op het werk; het gevolg is dat het verkeer verantwoordelijk is voor 21% van de persoonlijke blootstelling en 30% van de ingeademde dosis (Dons, Int Panis, Van Poppel, Theunis, & Wets, 2012). In het licht van deze vaststelling wordt het interessant om een beter beeld te krijgen van de blootstelling aan BC in het verkeer. Het onderzoek in deze masterproef gaat voort op gegevens die verzameld zijn in het kader van een VITO-IMOB doctoraatswerk. Voor dat onderzoek zijn er koppels gezocht die gedurende een week hun activiteiten en verplaatsingen wilden bijhouden en tezelfdertijd de BC-concentratie wilden meten. Er is gedurende 2 periodes gemeten: in de zomer (mei – juli 2010) en in de winter (december 2010 – februari 2011). In de zomer namen 8 koppels deel aan het onderzoek en in de winter 23. Telkens heeft men dus 2 personen die thuis aan dezelfde concentraties zijn blootgesteld maar een ander activiteitenpatroon hebben. De gegevens bestaan uit:
Dagboekjes die de respondenten hebben ingevuld. Deze bevatten activiteiten en verplaatsingen met een tijdsresolutie van 5 minuten. Dit gebeurde met een PDA die is uitgerust met specifieke software voor het ingeven van activiteiten en verplaatsingen;
BC-metingen. Deze werden elke 5 minuten opgeslagen door een micro-aethalometer die de respondenten bij hadden tijdens hun verplaatsingen en activiteiten;
GPS-logs die zijn bijgehouden door de PDA waarop de respondenten ook hun dagboekje hebben ingevuld.
Deze gegevens zijn nog niet ten volle benut. De persoonlijk blootstelling is gelinkt aan activiteitenpatronen (Dons, et al., 2011) en aan verkeersomstandigheden (Dons, Int Panis, Van Poppel, Theunis, & Wets, 2012) maar de blootstelling in het verkeer is nog niet ruimtelijk geanalyseerd. Deze verdere analyse van de BC-concentraties en
1
Inleiding activiteitenpatronen is mogelijk door ze te koppelen aan GPS-logs. Voor dit onderzoek zullen alleen de verplaatsingen gebruikt worden, niet de activiteiten. Het eerste deel van dit werk bestaat uit een literatuurstudie. Deze zal de volgende onderwerpen behandelen:
Wat BC is en hoe het ontstaat;
Hoe BC wordt gemeten;
De gezondheidseffecten van BC;
De milieueffecten van BC.
Vervolgens worden al de gegevens geanalyseerd en worden er verklaringen gezocht voor de bevindingen. De centrale onderzoeksvraag daarbij luidt: Kan de blootstelling aan black carbon worden voorspeld aan de hand van activiteiten-gebaseerde verplaatsingsgegevens? Het uiteindelijke doel van dit onderzoek bestaat er uit tot een model te komen waarmee de blootstelling aan BC voorspeld kan worden. De input van dit model zal gezocht worden in de eigenschappen van de verplaatsingen (vervoermiddel, snelheid, tijdstip, dag,…) en eigenschappen van de locatie en/of de route (stedelijkheidsgraad, wegcategorie, verkeersintensiteit,…).
2
Literatuurstudie
2
Literatuurstudie
2.1
Wat is black carbon?
BC is een koolstofrijke aerosol (Pew Center on Global Climate Change, 2010). Een aerosol is een suspensie van vaste deeltjes of vloeistofdruppels in een gas. In dit geval gaat het om vaste deeltjes. De term ‘black carbon’ slaat op de eigenschap van het absorberen van zichtbaar licht. Het is het bestanddeel van roet dat zorgt voor de zwarte kleur. De licht-absorberende eigenschap is tevens verantwoordelijk voor de effecten van BC op het klimaat.
Figuur 1
Elektronenmicroscoopafbeelding van black carbon.
D.M. Smith, University of Denver
BC ontstaat zowel natuurlijk als door menselijke activiteiten als gevolg van een onvolledige verbranding en komt hoofdzakelijk vrij bij dieselmotoren, bosbranden en verbranding van hout, kolen en andere biomassa (Pew Center on Global Climate Change, 2010).
3
Literatuurstudie
Figuur 2
Uitstoot van BC door industrie en biomassa (ng C/m² s).
(Koch & Hansen, 2005)
Op bovenstaande kaarten is te zien dat de uitstoot van BC het hoogst is in China, ten gevolge van de industrie, en in Centraal-Afrika, waar landbouwgronden regelmatig platgebrand worden (Koch & Hansen, 2005). In West-Europa is het verkeer de grootste bron van BC (Baron, Montgomery, & Tuladhar, 2009). In totaal wordt er ongeveer 12 Tg per jaar uitgestoten (Highwood & Kinnersley, 2006).
2.2
Hoe wordt het gemeten?
Er zijn meerdere methoden om de hoeveelheid BC in de lucht te meten. De meest gebruikte methode bestaat eruit de aerosoldeeltjes op te vangen op een filter en door middel van een lichtbron en een sensor de verdonkering van die filter te meten (Petzold, et al., 2005). Dit kan op verschillende manieren:
Figuur 3
Drie optische manieren om BC te meten.
(Petzold, et al., 2005)
4
Literatuurstudie De eerste manier bestaat er uit een lichtstraal door een filter te sturen en met een sensor op te vangen. Een hogere concentratie aan BC op de filter zal ervoor zorgen dat er minder licht wordt doorgelaten. Een andere manier maakt gebruik van ongeveer dezelfde opstelling maar met de sensor aan dezelfde zijde als de lichtbron. Hier wordt de reflectie van de filter gemeten. De mate van reflectie wordt, net zoals de doorlaatbaarheid, beïnvloed door de hoeveelheid aerosoldeeltjes die op de filter zijn terecht gekomen. De derde manier die hier wordt voorgesteld is een combinatie van de twee voorgaande. MAAP staat voor ‘multiangle absorption photometry’. De vaste meetpunten van de Vlaamse Milieumaatschappij maken gebruik van deze methode. Een nadeel van deze optische methodes is dat er een aantal correcties nodig zijn (Petzold, et al., 2005). Daarom zit er in de toestellen een tweede lichtbron en sensor. Die straal gaat door een deel van de filter die niet aan de buitenlucht wordt blootgesteld (Weingartner, et al., 2003) (J. Sandradewi, 2008). De lichtstraat door het niet-vervuilde deel van de filter dient als referentie. Een andere term die veel gebruikt wordt is ‘elemental carbon’ (EC). Het is ongeveer hetzelfde als black carbon maar aangezien de werking van de meettoestellen verschilt, wordt niet exact hetzelfde gemeten (Watson, Chow, & Chen, 2005).
Figuur 4
Meten van de koolstofcomponenten van roet.
(U.S. Environmental Protection Agency, 2012)
EC wordt thermisch gemeten, d.w.z. dat de filter waarop aerosol is verzameld achteraf volgens een bepaald hitteprotocol behandeld wordt. Het nadeel van deze methode is dat
5
Literatuurstudie er over een langere periode geaccumuleerd wordt, bv. 1 filter wordt gedurende 12 uur bemonsterd en na analyse geeft dit 1 gemiddelde concentratie voor die 12 uur. Er bestaan verschillende hitteprotocollen en afhankelijk hiervan wordt er iets meer of minder EC gemeten (Watson, Chow, & Chen, 2005). Er is nog geen internationale standaard maar daar wordt wel aan gewerkt. Voor het meten van BC bestaat er overigens
ook
nog
geen
wereldwijd
gestandaardiseerde
referentiemethode
(U.S.
Environmental Protection Agency, 2012).
2.3
Milieueffecten van black carbon
BC zorgt voor klimaatverandering omdat het zonlicht absorbeert en op die manier opwarmt. Zowel in de lucht als in sneeuw en ijs zorgt de aanwezigheid van BC voor een donkerdere kleur waardoor meer zonlicht wordt geabsorbeerd en in warmte wordt omgezet. Door dit proces is BC, na koolstofdioxide (CO2), de tweede belangrijkste oorzaak van de opwarming van het klimaat (Ramanathan & Carmichael, 2008); (Unger, et al., 2010); (Bond & Sun, 2005); (Jacobson, 2002). BC in sneeuw en ijs zorgt er altijd voor dat de sneeuw of het ijs warmer wordt dan als het er niet in zou zitten. In de lucht hangt het effect echter af van de hoogte. Dicht bij de grond zorgt de aanwezigheid van BC voor de meeste opwarming. Naarmate de hoogte toeneemt, neemt het effect af. In de stratosfeer zorgt deze aerosol zelfs voor lagere oppervlaktetemperaturen (Carnegie Institution of Washington, 2011). Op de neerslag is er een vergelijkbaar effect. In lagere luchtlagen zorgt de aanwezigheid van BC voor minder neerslag en in de hogere lagen voor meer neerslag (Carnegie Institution of Washington, 2011). Recent onderzoek toont aan dat de mate waarin BC opwarmt afhangt van de concentratie zwaveldioxide (SO2) en ook afhangt van de oorsprong van de BC (Ramana, et al., 2010). SO2 en organische aerosolen reflecteren zonlicht en gaan dus opwarming tegen. Eigenlijk is het de relatieve concentratie BC ten opzichte van de concentratie SO2 die voor de opwarming van het klimaat zorgt. De oorsprong van de BC speelt ook een rol. Zo is BC afkomstig van fossiele brandstof dubbel zo performant in het opwarmen als BC uit biomassa (Ramana, et al., 2010). Een belangrijk verschil tussen CO2 en BC is dat CO2 tientallen jaren in de atmosfeer blijft hangen nadat het uitgestoten is. BC blijft maar enkele weken aanwezig in de atmosfeer (Pew Center on Global Climate Change, 2010). Hierdoor zijn de resultaten van het terugdringen van de uitstoot van BC veel vlugger merkbaar dan die van CO2.
6
Literatuurstudie Het is zelfs zo dat een dieselwagen in grotere mate bijdraagt aan de opwarming van het klimaat dan een benzinewagen. Een dieselmotor stoot weliswaar een beetje minder CO2 dan een benzinemotor uit maar aan de andere kant veel meer BC. Het totale opwarmingspotentieel kan daardoor toch groter zijn (Kupiainen & Klimont, 2007). BC wordt ook teruggevonden ver van de bron zoals boven oceanen (Kristjánsson, 2002) en in de stratosfeer boven de polen (Baumgardner, Kok, & Raga, 2004). Het verdwijnt terug uit de atmosfeer door bezinking of sedimentatie (Highwood & Kinnersley, 2006).
2.4
Gezondheidseffecten van black carbon
Volgens de Wereldgezondheidsorganisatie “zijn verbrandings-gerelateerde aerosolen bijzonder significant inzake effecten op de gezondheid” (Health Effects Institute, 2010). Ultrafijne roetdeeltjes zoals BC kunnen zich tot diep in de longen nestelen (Borm, Schins, & Albrecht, 2004). Vanuit de longblaasjes kunnen ze in de bloedbaan terechtkomen en het bloed verdikken. Dit verhoogt de kans op de vorming van een bloedklonter (Gilmour, et al., 2004). Deze effecten zijn vooral aangetoond bij de uitstoot van dieselmotoren, die een grote bron zijn van deze ultrafijne deeltjes (Nemmar, Hoylaerts, Hoet, & Nemery, 2004). De gevolgen hiervan kunnen zich onder andere uiten in: een verstoord hartritme (Adar, et al., 2007), verhoogde kans op een beroerte, verhoogde kans op kanker en andere long-, hart- en bloedvaataandoeningen (Highwood & Kinnersley, 2006). Recent onderzoek door von Klot et al. (2011) toont aan dat de kans op een hartaanval in grote mate afhangt van de tijd die wordt doorgebracht buiten en in het verkeer. Verschillende studies tonen ook een verband tussen de blootstelling aan BC en vroegtijdig overlijden (Ostro, et al., 2010) (Janssen, et al., 2011) (Dockery & Pope, 2006).
7
8
Opzet van het onderzoek
3
Opzet van het onderzoek
Voor het onderzoek zijn er koppels gezocht die gedurende een week hun activiteiten en verplaatsingen wilden bijhouden en tezelfdertijd de concentratie aan BC wilden meten. Er is gedurende 2 periodes gemeten: in de zomer (mei – juli 2010) en in de winter (december 2010 – februari 2011). In de zomer namen 8 koppels deel aan het onderzoek en in de winter 23. Telkens heeft men dus 2 personen die thuis aan dezelfde concentraties zijn blootgesteld maar die een ander activiteitenpatroon hebben. Het bijhouden van de activiteiten en de verplaatsingen gebeurde met een PDA die uitgerust is met een GPS-antenne en met de PARROTS-applicatie. PARROTS staat voor ‘PDA system for Activity Registration and Recording of Travel Scheduling’ en is ontwikkeld door IMOB (Kochan, Bellemans, Janssens, & Timmermans, 2010). Deze applicatie start automatisch op als de PDA wordt ingeschakeld en laat de gebruiker toe op een eenvoudige manier activiteiten en verplaatsingen in te geven. De interface toont 3 knoppen: Dagboek, Vergrendelen en Uitschakelen. Bij ‘Dagboek’ krijgt men een dagkalender waarop verplaatsingen en activiteiten ingegeven kunnen worden. Dit kan alleen na afloop van 1 of meerdere activiteiten. Het is niet mogelijk om op voorhand reeds verplaatsingen of activiteiten in te geven. De knop ‘Vergrendelen’ zet het scherm uit en start de GPS-logger. De applicatie kan daarna onmiddellijk worden opgeroepen. Aan de gebruikers werd gevraagd tijdens het verplaatsen het apparaat niet uit te schakelen maar te vergrendelen. Als ze eenmaal thuis of op hun werk zijn, mag het toestel weer uit. Zo worden er geen onnodige gps-logs gegenereerd. Het kan zijn dat de gebruikers zich daar soms in hebben vergist. De GPS-tracker logt iedere seconde de coördinaten. Deze zijn niet gekoppeld aan de ingegeven verplaatsingen of activiteiten. De gebruikers moesten dus het adres ingeven van waar ze zijn geweest. Het meten van de BC-concentraties gebeurde met een draagbaar meettoestel. Zo een toestel heet een micro-aethalometer en meet de BC-concentratie in de lucht aan de hand van de eerste manier die hierboven bespreken is, de lichtdoorlaatbaarheid (Hansen, Rosen, & Novakov, 1984). Het toestel heet voluit “microAeth Model AE51”. De huidige leverancier is AethLabs (http://www.aethlabs.com/microaeth),
vroeger
was
dat
Magee
Scientific
(http://mageesci.com/products/microaeth_AE51.htm).
9
Opzet van het onderzoek
Figuur 5
Micro-aethalometer en PDA.
Het toestel is uitgerust met een pompje die een constante hoeveelheid lucht aanvoert via de luchtinlaat. De luchtaanvoer is ingesteld op 100 ml/minuut. Het toevoergaatje zit aan de linkerkant, naast de filter. De uitvoer zit aan de rechterkant, boven de aan/uitknop. Dit toestel kan meegenomen worden in hand, jaszak, rugzak en dergelijke. Er moet wel op gelet worden dat het slangetje aan de luchtinlaat naar buiten steekt en niet volledig in de tas of zak zit. Het is immers de bedoeling dat dezelfde concentraties gemeten worden als van de ingeademde lucht. Aan dit toestel hebben de respondenten niet veel werk. Er werd gevraagd om elke dag de accu op te laden en elke twee dagen de filter te vervangen (Dons, et al., 2011). De filter wordt in de gleuf aan de voorkant geschoven. Deze gleuf is afgedekt met een rubberen plaatje maar die staat, evenals het slangetje op de luchtinlaat, niet op bovenstaande foto (Figuur 5). Aan de hand van de bijhorende computersoftware kan het toestel geconfigureerd worden. De interface biedt onder andere instelmogelijkheden voor het debiet van het pompje, de tijdsresolutie van de metingen en het synchroniseren van de klok. Er is gekozen om de meting elke 5 minuten te laten plaatsvinden. De gebruikers moesten hier niets aan veranderen en hoefden het toestel niet aan te sluiten op hun PC. Het toestel is uitgerust met een geheugen van 4 MB. Dit is voldoende om de concentraties bij te houden van ongeveer een maand indien gekozen werd voor een tijdsresolutie van 5 minuten. De gebruikers hoefden zich dus niet bezig te houden met het tussentijds doorsturen van de meetresultaten.
10
Gegevensverwerking
4
Gegevensverwerking
Voor de gegevensverwerking wordt het softwarepakket SAS gebruikt.
4.1
BC-metingen
Zoals eerder vermeld, meten de aethalometers de verdonkering van de aan de buitenlucht
blootgestelde
filter
ten
opzichte
van
de
afgesloten
filter.
Deze
verdonkeringswaarde wordt dan omgezet in een concentratie uitgedrukt in nanogram per kubieke meter lucht (ng/m³). Op deze waarden werd ook een correctie toegepast om het effect van variërende achtergrondconcentraties
te
compenseren.
Als
achtergrondconcentratie
werd
het
daggemiddelde gebruikt, gemeten door een vast meetstation te Antwerpen Linkeroever, dat deel uitmaakt van het officiële meetnet van de Vlaamse Milieumaatschappij. Dit meetstation is voldoende ver verwijderd van bebouwing en verkeer. Het meetstation is van het MAAP-type. Er is ook gecorrigeerd voor toestel-specifieke afwijkingen. Alle toestellen zijn naast elkaar gelegd om te zien of ze wel dezelfde waarden geven. Eventuele verschillen zijn bijgehouden en toegepast op de metingen. Metingen met een erg beladen filter of waarbij het toestel een foutmelding gaf zijn niet meegenomen (Dons, Int Panis, Van Poppel, Theunis, & Wets, 2012). De micro-aethalometer maakt databestanden aan met de meetgegevens en informatie over het toestel zoals de temperatuur en het batterijniveau. Al deze gegevens werden eerder al in 1 bestand gezet.
4.2
Dagboekjes
De PDA maakt per dag een tekstbestand aan met de activiteiten en verplaatsingen die de gebruiker heeft ingegeven. Samen met de BC-metingen, werden deze dagboekjes ook al in een groot bestand gezet met alle verzamelde gegevens van alle respondenten. In de gegevens van dit onderzoek wordt onderscheid gemaakt tussen 13 activiteiten. Het motief van de verplaatsing wordt afgeleid uit de daaropvolgende activiteit, tenzij het gaat om ‘Home-based activities’, dan wordt de activiteit die voorafgaat aan de verplaatsing genomen als verplaatsingsmotief (Janssens, Cools, Miermans, Declercq, & Wets, 2011). Het
voorspellingsraamwerk FEATHERS
(Forecasting
Evolutionary
Activity-Travel
of
11
Gegevensverwerking Households and their Environmental RepercussionS) maakt onderscheid tussen 10 verplaatsingsmotieven (Kochan, 2011). De 3 motieven die er meer waren, kwamen slechts weinig voor. Voor de betrouwbaarheid van de analyse was het beter deze onder te brengen bij andere motieven. Tabel 1
Overzicht verplaatsingsmotieven.
Dit onderzoek / PARROTS
FEATHERS
Bring/get goods/people
Bring/get
Daily shopping
Shopping(daily)
Samengevoegd bij
Eat
Other
Education
Work
Go for a ride
Touring
Home-based activities
Being at home
Leisure
Leisure
Non-daily shopping
Shopping(non-daily)
Other
Other
Service related activities
Services Home-based activities / Being at home
Sleep Social
Social visits
Work
Work
Voor dit onderzoek zijn alleen de gegevens nodig van verplaatsingen. Nadat het tripmotief bepaald werd aan de hand van de activiteiten mogen die andere activiteiten uit de dataset. De regels waar de respondenten onderweg zijn worden geselecteerd met de query “location = ‘In transport’”. Gemiddeld waren de respondenten 6% van de tijd in transport (Dons, Int Panis, Van Poppel, Theunis, & Wets, 2012). Er worden ook bijkomende eigenschappen van de verplaatsingen berekend. Deze betreffen de tijd in verplaatsing, de duur van de verplaatsing en de spitsfactoren. Spitsfactoren maken het mogelijk om het uur van de dag, wat een categorische variabele is, om te zetten in een continue variabele. Op die manier kan het gemakkelijker in een model worden gebruikt. Het is een waarde per uur die aangeeft hoeveel procent van de dagintensiteit er op dat uur voorbijkomt. Het CAR-model voor Vlaanderen bevat deze waarden zowel voor zwaar verkeer als voor alle verkeer (ook bruikbaar voor licht verkeer) en dit afzonderlijk voor werkdagen, zaterdagen en zondagen (Jonkers & Vanhove, 2010). Deze tabel is te vinden in Bijlage 1.
12
Gegevensverwerking
4.3
GPS-logs
De GPS-tracker houdt een aantal gegevens bij. De meest interessante daarvan zijn de coördinaten en de snelheid. De GPS-tracker slaat deze gegevens op in allemaal kleine tekstbestandjes. Deze zijn rond de 8 kB groot en worden per dag in een map geplaatst met als naam de datum. In die map wordt nog een map gemaakt met als naam het cijfer 1. Als map ‘1’ 900 bestanden bevat, wordt er een map ‘2’ gemaakt, enzovoort. Het maximum wat op een dag voorkwam was ‘4’. Af en toe is er ook gelogd op dagen dat het niet hoefde. Dit kan het geval zijn bij het instellen van de PDA of omdat de respondenten ermee hebben leren werken. De mappen met een datum die niet binnen de week van het onderzoek vallen mogen verwijderd worden. Deze duizenden tekstbestanden mogen samengevoegd worden tot 1 bestand per persoon. Dit kan het eenvoudigst door ze alle bestanden van een persoon in 1 map te plaatsen en er 1 bestand van te maken met het DOS-commando copy *.txt. Vervolgens worden de GPS-gegevens toegevoegd aan de dagboekjes en de BC-metingen. Dat script bestaat uit verschillende secties:
Inladen van de GPS bestanden
Uitlezen van de datum en tijd
Toekennen van bijhorende huishoudnummer en gezinslidnummer
Selecteren van de rijen met nuttige informatie en goede signaalkwaliteit
Omzetten van datum, tijd, coördinaten en snelheid in juiste formaat
Tijd omzetten naar juiste tijdzone en zomertijd/wintertijd
Gegevens toevoegen aan dagboekjes en BC-concentraties
Alle data van de personen samenvoegen tot 1 groot bestand
Er ontstaat nu een dataset met 1 regel per seconde. De snelheid en de coördinaten geregistreerd door de GPS veranderen elke seconde. De BC-concentratie verandert elke 5 minuten. Tijdens deze 5 minuten kunnen de omstandigheden veranderen waardoor de blootstelling aan BC stijgt of daalt. Omdat een deel van de verdonkering van de filter plaatsvond bij lage concentraties en een deel bij hoge concentraties, zal de uiteindelijk gemeten concentratie bij zo een overgang tussen de lage en de hoge waarde liggen. De afbeelding hieronder verduidelijkt dit.
13
Gegevensverwerking
9:40:00
9:30:00
9:50:00
Speed
Road type (cleaned) 140
10000
120 100
8000
BC (ng/m³)
Black Carbon (ng/m³) 4000-6000 6000-7000 7000-8000 8000-10000
60 4000
Road type
40
2000
Highway Secondary road Local road
Figuur 6
80 6000
0 9:30:00
20
0 9:35:00
9:40:00
9:45:00
9:50:00
9:55:00
Speed (km/h) Road type (10= highway; 20= secondary road; 30= local road)
BC 12000
10:00:00
Visualisatie van een traject met de gemeten snelheid en BC-concentratie.
De toedeling op het wegennet die hier gebruikt is wordt besproken in hoofdstuk 5.
4.4
Kwaliteitscontrole GPS-logs
Door de gegevens terug te brengen naar 1 regel per 5 minuten kan er nagegaan worden hoeveel van de ingegeven verplaatsingsgegevens verloren is gegaan bij de koppeling met de GPS data. Uiteraard worden de volledige gegevens per seconde bewaard. Deze zijn nog nodig voor de koppeling met een wegenkaart. Tabel 2
Gegevensverlies bij koppeling met GPS-logs.
Mode Car driver Car passenger Bike On foot Bus Light rail/metro Train Totaal
14
Aantal 5-min. Overgebleven 5Observaties in min. observaties na Valt weg Blijft over dagboek koppeling met GPS 3875 2734 29% 71% 975 646 34% 66% 1339 846 37% 63% 1401 800 43% 57% 204 151 26% 74% 72 28 61% 39% 677 118 83% 17% 8543 5323 38% 62%
Gegevensverwerking We zien dat iets meer dan een derde van de gegevens is weggevallen omdat er geen GPS ontvangst was of omdat de gebruikers hun PDA te laat of niet hebben aangezet. Bij verplaatsingen met de trein, tram of metro was er het grootste deel van de tijd geen GPS-verbinding. Volgens Beekhuizen et al. (2011) is er in de meeste modi weinig sprake van volledig signaalverlies, behalve in de trein, daar valt 28% van de tijd het signaal volledig weg. In dit onderzoek was dat veel meer, echter zitten hier ook menselijke fouten bij zoals het vergeten aanzetten of opladen van de PDA. Mogelijk hebben de respondenten ook gedacht dat het geen zin had om in de trein de GPS aan te hebben staan door een slechte ontvangst. Omdat meer dan de helft van de metingen in treinen, trams en metro’s niet wegvalt bij de koppeling met de GPS-logs, zullen gegevens verzameld in deze modi gebruikt worden zonder plaatsbepaling. Een van de effecten die de nauwkeurigheid van de plaatsbepaling negatief beïnvloedt is het zogenaamde ‘multipath effect’. Door reflectie kan het signaal
dat van de
navigatiesatellieten komt via verschillende wegen naar de ontvanger komen (kowoma.de, 2009). Het signaal kan reflecteren tegen gebouwen (de zogenaamde street-canyon) of tegen bergen.
Figuur 7
Multipath effect.
(kowoma.de, 2009)
Het gereflecteerde signaal doet er langer over om de ontvanger te bereiken dan het directe signaal, met afwijkingen tot gevolg. Bij hoge en dichte bebouwing kan het zijn dat enkel het gereflecteerde signaal ontvangen kan worden. In andere gevallen kan het zijn dat de GPS wisselt tussen directe en gereflecteerde signalen.
15
Gegevensverwerking Er zijn nog andere effecten die de nauwkeurigheid van GPS-signalen beïnvloeden maar die gelden altijd. De mate waarin het multipath effect een rol speelt hangt af van de omringende bebouwing en speelt dus niet bij elke modus en op elke locatie een even grote rol. In tunnels valt het GPS signaal volledig weg. We zien dat daar het tracé niet wordt gelogd. Zowel het laatste punt voor het ingaan van een tunnel als het eerste punt na het uitgaan ervan hebben nog de juiste coördinaten en een realistische snelheid. Ter controle worden de GPS-logs tijdens verplaatsingen over de weg geprojecteerd op de gedetailleerde wegenkaart van OpenStreetMap. OpenStreetMap (OSM) is een vrij bewerkbare kaart van de hele wereld. Het kan door iedereen bekeken en aangepast worden op de website http://www.openstreetmap.org/. De kaarten zijn ook per land in shapefiles te downloaden van de website http://www.geofabrik.de/. Bij een verbinding met 3 of 4 satellieten lagen de geregistreerde punten niet altijd op een weg, soms deden er zich uitschieters voor. Bij een ontvangstkwaliteit van minder dan 3 satellieten is er geen plaatsbepaling mogelijk. Er worden dan ook geen coördinaten opgeslagen. Vanaf 5 satellieten lag het pad altijd mooi op een weg. Er is dan ook besloten alleen de gegevens te koppelen met een wegenkaart als er met minstens 5 satellieten verbinding was. Het weglaten van de observaties waarbij met slechts 3 of 4 satellieten verbinding was, heeft bij de meeste modellen (Hoofdstuk 7) geleid tot een hogere determinatiecoëfficiënt. Het diagram hieronder toont hoeveel procent van de tijd er signaal was van hoeveel satellieten. De cijfers bevatten alleen het gebruik op de weg, niet in trein, tram of metro.
16
Gegevensverwerking
9 13,1%
10 3 3,6%3,6%
4 7,8% 5 11,7%
8 21,1%
6 16,3%
7 22,8%
Figuur 8
Tijdsaandeel aantal satellieten.
Het weglaten van de GPS punten waarbij verbinding was met maar 3 of 4 satellieten lijdt tot een gegevensverlies van 11,4%. Met deze filtering wordt vermeden dat punten worden toegekend aan een verkeerde weg maar zullen er ook correct toegewezen punten wegvallen.
17
18
Koppeling met wegenkaart
5
Koppeling met wegenkaart
Het doel van dit onderzoek is tot een model te komen waarmee de blootstelling aan BC voorspeld kan worden aan de hand van eigenschappen van de verplaatsing en omgevingsfactoren. Om die omgevingsfactoren mee te kunnen nemen, moeten die gekoppeld worden aan de meetgegevens en GPS-logs. Voor de koppeling met een wegenkaart selecteren we enkel de verplaatsingen op de weg. Het heeft geen zin verplaatsingen per trein, tram of metro proberen te koppelen.
5.1
Wegenkaart
Hiervoor moet er vertrokken worden vanuit een wegenkaart die relevante gegevens bevat.
Na
een
vergelijking
van
enkele
kaarten,
bleek
die
van
het
Vlaams
Verkeerscentrum het meest geschikt. Deze kaart bevat per weg onder andere de volgende nuttige gegevens:
Wegtype
Stedelijkheidsgraad
Gemiddelde snelheid
Intensiteit licht verkeer (gemodelleerd)
Intensiteit zwaar verkeer (gemodelleerd)
Intensiteit alle verkeer (gemodelleerd)
Een overzicht van de kaarteigenschappen is te vinden in Bijlage 2. Verder zijn er nog een hele reeks eigenschappen die er dubbel in staan of eigenschappen die in dit onderzoek niet nuttig zijn. Deze werden op voorhand verwijderd om de resulterende bestanden niet onnodig groot te maken.
19
Koppeling met wegenkaart
Figuur 9
Wegenkaart Vlaams Verkeerscentrum.
Deze kaart heeft ook enkele beperkingen, namelijk:
Bevat niet de kleine wegen en paden;
De polylijnen die het tracé van de wegen voorstellen zijn sterk vereenvoudigd waardoor bochten soms worden afgesneden;
Enkel Vlaanderen.
De eerste beperking kan tevens een voordeel zijn. Het ontbreken van de meeste ventwegen, landbouwwegen e.d. verkleint de kans dat een coördinaat aan de verkeerde weg wordt toegewezen. De tweede beperking heeft als gevolg dat het vereenvoudigde tracé tot 100 m naast het werkelijke tracé kan liggen. Meestal blijft de afwijking beperkt tot maximaal 30 m. Door de derde beperking is het nodig dat de ritten in Wallonië en Frankrijk niet worden meegenomen in de koppeling op basis van locatie. Deze ritten wel meenemen zou de rekentijd enorm verlengen en geen bruikbare gegevens opleveren voor deze ritten. De meest voor de hand liggende oplossing hiervoor bleek het selecteren van de gegevens boven 50,72° noorderbreedte. Hiermee gingen geen observaties in Vlaanderen verloren en werden ritten in Wallonië en Frankrijk zo goed mogelijk weggesneden.
20
Koppeling met wegenkaart
Figuur 10
5.2
GPS tracks op wegenkaart.
‘Spatial join’
De koppeling zelf is gedaan met het softwarepakket ArcGIS. De functie heet ‘Spatial join’. Omdat het importeren van de dataset in tabelvorm niet lukte in ArcGIS, moest deze eerst worden opgeslagen als ‘shapefile’. Dit is gedaan met het open-source programma Quantum GIS. Bij de koppeling op basis van locatie worden de eigenschappen van de dichtstbijzijnde weg toegevoegd aan de eigenschappen van de geregistreerde coördinaten. Het GISprogramma maakt tevens een kolom ‘Distance’ aan met de afstand tussen het punt en de dichtstbijzijnde weg. De grafiek hieronder toont het aandeel van de geregistreerde coördinaten dat binnen een bepaalde afstand van een weg ligt. Ter vergelijking werd er ook gekoppeld met de kaart van OpenStreetMap.
21
Koppeling met wegenkaart
100%
88%
90% 80%
74% 67%
70%
VVC 98%
99%
99%
99%
99%
79%
81%
82%
83%
75%
77%
50
60
70
80
90
100
72%
59%
60% 50%
93%
OSM 97% 96%
39%
40% 30% 20% 10% 0%
10
20
30
40
Distance to nearest road (m)
Figuur 11
Percentage van de GPS-coördinaten binnen x meter van een weg.
Geprojecteerd op de kaart van het Vlaams Verkeerscentrum, ligt twee derde van de punten op minder dan 30 m van een weg en drie vierde op minder dan 50 m. De kaart van OpenStreetMap is duidelijk veel gedetailleerder. Maar liefst driekwart van de punten vond binnen de 10 m een weg. Het verschil heeft niet enkel te maken met het detailniveau maar ook met de dekking. De kaart van OSM bevat heel België en die van het Vlaams Verkeerscentrum enkel het Vlaams Gewest. De hier gevonden afstanden bevatten zowel onnauwkeurigheden van de GPS als onnauwkeurigheden van de wegenkaart. Gezien de mogelijke afwijking tussen de kaart van het Vlaams Verkeerscentrum en het werkelijke tracé van de wegen moet er minstens een tolerantie van 30 m aanvaard worden. Bij het bepalen van de maximale afwijking moet ook het bereik van BC in acht worden genomen. BC-concentraties zijn heel plaatselijk. Een aantal meter van de weg verwijderd, is de concentratie al beduidend lager (Zhu, Hinds, Kim, Shen, & Sioutas, 2002). Volgens Zhu et al. (2002) ziet die spreiding eruit als in de onderstaande grafiek.
22
Koppeling met wegenkaart
Figuur 12
BC in functie van de afstand tot de weg.
(Zhu, Hinds, Kim, Shen, & Sioutas, 2002)
In België zal, door het hoge aandeel dieselvoertuigen, de spreiding eerder in de buurt liggen van de stippellijn dan van de doorlopende lijn. Vanaf
50 m
van
de
bron
is
de
concentratie
al
nauwelijks
hoger
dan
de
achtergrondwaarde. Het zal de onderzoeksresultaten ten goede komen als de toegestane afstand tussen de GPS-coördinaten en de wegen zo klein mogelijk gehouden wordt. Punten die, op kaart, meer dan 30 m van een weg liggen zullen niet worden gebruikt voor de verdere analyse en het opstellen van de modellen. Door deze selectie zullen ook observaties wegvallen waarvoor geen weg in de buurt lag op de wegenkaart. Het zal dan vooral gaan om observaties met een lage BC-concentratie omdat de gebruikte kaart niet alle kleine wegen bevat. Hoge BC-concentraties zullen meestal wel bewaart blijven omdat alle grote wegen wel aanwezig zijn op de gebruikte kaart.
23
Koppeling met wegenkaart
5.3
Controle
Er is ook gekeken naar de afstand tot de dichtstbijzijnde weg op de kaart van OSM in functie van de kwaliteit van het GPS-signaal.
Distance to nearest road on OSM (m)
50 45 40 35 30 25 20 15 10 5 0
3
4
5
6
7
8
9
10
Number of satellites
Figuur 13
Afstand tot dichtstbijzijnde weg in functie van ontvangstkwaliteit.
De boxplot toont de 5e, 25e, 75e, 95e percentielen, de mediaan en het gemiddelde (×).
Wat opvalt is dat de spreiding veel smaller wordt bij een betere ontvangstkwaliteit. Na deze koppeling kan nog de momentane verkeerintensiteit berekend worden. De kaart van het Vlaams Verkeerscentrum bevat dagwaarden voor de verkeersintensiteiten, beide richtingen samengeteld. Dit zijn gemodelleerde waarden gebaseerd op metingen tijdens spitsuren. Voor dit onderzoek zou het handig zijn om de verkeersintensiteiten te kennen op het moment van de BC-meting. Dit kan benaderd worden door de dagwaarde voor de verkeersintensiteiten te vermenigvuldigen met de spitsfactoren. Ter controle van deze berekende gegevens wordt in onderstaande figuur het gemiddelde weergegeven van de verkeersintensiteiten op de wegen waarop onze respondenten zich op dat moment verplaatsten.
24
Koppeling met wegenkaart
1600
Traffic flow (veh/h)
1400 1200 1000 800
600 400 200 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Hour
Figuur 14
Verkeersintensiteit in functie van tijdstip, gemiddelde van alle GPS-tracks.
Deze grafiek bevat zowel de weekdagen als het weekend. Zonder het weekend is het resultaat lichtjes anders. De verdeling in het weekend is heel verschillend maar omdat er in vergelijking tot de werkdagen veel minder ritten plaatsvinden heeft het slechts een beperkte invloed op het totaal. Het resultaat komt zeer goed overeen met wat we verwachten en met andere onderzoeken zoals dat van Gulliver & Briggs (2005). Enkel om 5 uur lijkt de voorspelde verkeersintensiteit te hoog.
25
Koppeling met wegenkaart
5.4
Overzicht
Het schema hieronder toont het proces van de gegevensverwerking.
Per 5 minuten
BC-metingen
Dagboekjes
Gegevens van alle activiteiten
Verplaatsingsmotief
Gegevens van verplaatsingen
Bijkomende eigenschappen verplaatsingen
Verplaatsingen + GPS
Per seconde
Verplaatsingen over de weg
Verplaatsingen in Vlaanderen en ≥ 5 satellieten
Gegevens van verplaatsingen + wegenkaart
Verkeersintensiteiten
Gegevens binnen 30 m van een weg
Figuur 15
26
Proces gegevensverwerking.
Analyse
6
Analyse
De database bevat 7039 BC-metingen waarbij de respondenten in hun dagboekje aangaven ‘In transport’ te zijn. Bij 2577 (37%) daarvan, was er geen GPS-signaal. Zodoende blijven er 4462 metingen over, ofwel 63%, die ook kunnen gebruikt worden bij de analyses waarvoor GPS gegevens nodig zijn. Voor verplaatsingen met de trein, tram en metro zal er geen gebruik worden gemaakt van de GPS-gegevens omdat er daarbij te veel metingen wegvallen. De GPS registreerde de coördinaten en de snelheid per seconde. Dit leverde initieel ongeveer 1,3 miljoen regels op waarbij de respondenten onderweg waren. Na het selecteren van de verplaatsingen over de weg en met een signaal van ten minste 5 satellieten bleven er 1,1 miljoen regels over. Na het filteren op afstand van de weg (maximaal 30 m) en alleen de regels uit het dagboek met een BC-meting bleven er ongeveer 600 000 over. Nu zijn de gegevens volledig klaar om geanalyseerd te worden. In dit hoofdstuk worden de resultaten van die analyse besproken.
6.1
Vervoermiddel
De concentratiewaarden voor bus en auto zijn ongeveer gelijk. De gemiddelde BCconcentratie in auto’s bedraagt ongeveer 6,3 µg/m³ en bij bussen is dat 6,6 µg/m³. Bij de andere modi liggen de waarden beduidend lager. Fietsers en voetgangers maken weliswaar voor een deel gebruik van dezelfde infrastructuur als auto’s en bussen, maar kiezen meer voor rustige wegen en kleine paden. Ze kunnen drukke plaatsen mijden. Metro’s en trams hebben meestal hun eigen bedding en produceren zelf geen BC. Daardoor is de gemeten concentratie daar lager dan in auto’s en bussen. De concentratie in trams en metro’s is wel hoger dan in treinen. Dit komt omdat trams en metro’s voornamelijk in grote steden rijden en soms tussen het wegverkeer. Treinen rijden altijd op een afzonderlijke spoorbedding. De meeste treinen produceren zelf geen BC. Dieseltreinen doen dat wel, maar komen minder vaak voor. Treinen volgen elkaar ook nooit op korte afstand, dus zelfs op een niet-geëlektrificeerde lijn zou men weinig merken van de uitstoot van de voorgaande trein. Adams, et al. (2002) kwamen voor auto’s een hogere concentratie van EC uit dan voor bussen. Hun onderzoek vond plaats in Londen, waar er op veel plaatsen aparte busbanen
27
Analyse zijn. Dat zou een verklaring kunnen zijn voor dit verschil. Op busbanen rijden bussen minder achter andere voertuigen dan op gemengde rijstroken.
20000 18000
1166
189
3837
72
1161
614
Bike
Bus
Car
Light rail / metro
On foot
Train
16000
BC (ng/m³)
14000 12000 10000 8000 6000 4000 2000 0
Transport mode
Figuur 16
BC in functie van het gekozen vervoermiddel.
De boxplot toont de 5e, 25e, 75e, 95e percentielen, de mediaan en het gemiddelde (×). Bovenaan staat het aantal BC-metingen.
Wat ook opvalt is dat de metingen bij de modi op de weg log-normaal verdeeld zijn terwijl dat bij de modi op het spoor dichter aanleunt bij een standaard-normale verdeling.
28
Analyse
6.2
Locatie-eigenschappen
De GPS gegevens laten ook toe te kijken naar de locatie-eigenschappen zoals stedelijkheidsgraad en wegtype. Snelwegen vormen tevens een aparte categorie in stedelijkheidsgraad en komen overeen met de snelwegen in wegtype. Ter vergelijking: de gemiddelde BC-concentraties bij de respondenten thuis en op het werk waren respectievelijk 1255 en 1068 ng/m³ (Dons, Int Panis, Van Poppel, Theunis, & Wets, 2012). 25000
BC (ng/m³)
20000
15000
10000
5000
0 Highway
Urban
Suburban
Rural
Degree of urbanisation
Figuur 17
BC in functie van stedelijkheidsgraad.
De boxplot toont de 5e, 25e, 75e, 95e percentielen, de mediaan en het gemiddelde (×).
In voertuigen op snelwegen werden de hoogste BC-concentraties gemeten. Het gemiddelde ligt daar op 10,6 µg/m³. Bij ritten op landelijke wegen is de concentratie over het algemeen het laagste, met een gemiddelde van 5,8 µg/m³. Zoals Figuur 12 aangaf, doen hoge BC-concentraties zich heel plaatselijk voor. Slechts een aantal meter van de bron verwijderd, is de concentratie al beduidend lager. Fietsers en voetgangers profiteren van deze sterke daling op korte afstand. Omdat het voetpad en fietspad net naast de weg liggen, worden zwakke weggebruikers aan minder hoge dosissen blootgesteld dan automobilisten. Dat effect is te zien in Figuur 18 en Figuur 20.
29
Analyse
12000 BC (ng/m³)
10000 8000 6000 4000 2000 0
Highway
Urban
Suburban
Rural
Car
10858
9668
7244
6077
Bus
4135
8789
6423
6873
Bike
5274
4339
3772
On foot
3893
3849
3544
Degree of urbanisation
Figuur 18
BC in functie van stedelijkheidsgraad en vervoermiddel.
Op de meeste locaties werden in auto’s en bussen gelijkaardige concentraties gemeten. Op snelwegen is dit niet het geval, echter zijn er nauwelijks busritten op de snelweg gemaakt. Deze waarde is dan ook niet betrouwbaar. Fietsers en voetgangers hebben meestal gelijkaardige concentraties gemeten. Verder valt op dat in de steden de concentraties gemeten in gemotoriseerde voertuigen dubbel zo hoog zijn als die gemeten door wakke weggebruikers. Gulliver & Briggs (2004) maten in voorstedelijk gebied een gemiddeld 16% hogere PM10concentratie in auto’s dan voor voetgangers. Het aandeel van BC in PM 10 varieert maar het vormt toch een belangrijk bestanddeel (Viidanoja, et al., 2002). De stedelijkheidsgraad heeft bij automobilisten een grotere invloed op de BCconcentratie dan bij het langzaam verkeer. Vervolgens wordt er gekeken naar de invloed van het wegtype. De wegcategorieën die hier gebruikt worden zijn gebaseerd op de kolom ‘wegtype’ in de kaart van het Vlaams verkeerscentrum. Omdat 8 wegtypes te veel is om het overzichtelijk te houden, er te weinig verschil is in de kleinere wegtypes en er wegtypes zijn die in bepaalde provincies een andere code meekregen, werden ze samengenomen in 3 categorieën.
30
Analyse Tabel 3
Wegtype 1 2 3 4 5 tot 8
Overzicht wegtypes en -categorieën.
Omschrijving Snelwegen Op- en afritten Primaire en secundaire wegen Afhankelijk van provincie secundaire of tertiaire weg Tertiaire en lokale wegen
Wegcat Omschrijving 1
Snelwegen
2
Primaire en secundaire wegen In OVL bij 2; In WVL & LIM bij 3; in VLB & ANT zijn er geen Overige wegen
2 of 3 3
25000
BC (ng/m³)
20000
15000
10000
5000
0 Highways
Primary & secondary roads
Other roads
Road category
Figuur 19
BC in functie van wegcategorie.
De boxplot toont de 5e, 25e, 75e, 95e percentielen, de mediaan en het gemiddelde (×).
Net zoals bij de onderverdeling naar stedelijkheidsgraad (Figuur 17), bedraagt de gemiddelde concentratie op snelwegen 10,6 µg/m³. Op primaire en secundaire wegen is dat 8 µg/m³ en op de kleinere wegen 5,8 µg/m³. Op snelwegen is de BC-concentratie bijna dubbel zo hoog als op de tertiaire wegen. Daarbij komt nog dat de kleine woonstraten
en
veldwegen
niet
zijn
opgenomen
in
de
kaart
van
het
Vlaams
Verkeerscentrum. Het ontbreken van de wegen met het minste verkeer en dus de laagste BC-concentraties overschat bijgevolg het gemiddelde van de laatste categorie.
31
Analyse
BC (ng/m³)
12000 10000 8000 6000 4000 2000 0 Highways
Primary & secondary roads
Other roads
Car
10851
8382
6445
Bus
4134
7847
7373
Bike
4363
4580
On foot
3329
3909
Road category
Figuur 20
BC in functie van wegcategorie en vervoermiddel.
Net zoals bij de stedelijkheidsgraad, heeft ook de wegcategorie weinig invloed op de BCblootstelling
van
fietsers
en
voetgangers.
Merkwaardig
genoeg
is
de
gemeten
concentratie door voetgangers lager op primaire en secundaire wegen dan op andere wegen. Dit zou verklaard kunnen worden door de grotere afstand tussen het gemotoriseerd verkeer en het langzaam verkeer en door het wegvallen van de observaties op wegen en paden die niet opgenomen zijn in de gebruikte kaart. De wegcategorie heeft een veel duidelijkere invloed op de BC-concentraties gemeten in auto’s en bussen. De grotere verkeersstromen op wegen van een hogere categorie leiden tot een hogere BC-concentratie. Het gemiddelde voor bussen op snelwegen is niet betrouwbaar omdat het maar over weinig observaties gaat.
32
Analyse
6.3
Snelheid
De grafiek hieronder toont het verband tussen de BC-concentratie en de gereden snelheid.
De
snelheid
is
weergegeven
in
categorieën
van
10 km/u.
Alleen
de
verplaatsingen met de auto zijn geselecteerd. Gebaseerd op 3380 metingen en bijna 500 000 bijhorende GPS-logs. 12000
BC (ng/m³)
10000 8000 6000 4000 2000 0
Speed (km/h)
Figuur 21
BC in functie van gereden snelheid, enkel auto.
De curve van de BC-concentratie in auto’s toont twee bulten. Tussen 30 en 80 km/u zijn de concentraties iets lager dan bij lagere en hogere snelheden. In een boxplot (Figuur 22) zien we dat de stijging vanaf 80 km/u zich voordoet over het hele bereik. De bult bij lage snelheden is hier minder uitgesproken. Een mogelijke verklaring voor de eerste bult is dat gemiddelde snelheden van 10 tot 30 km/u meer voorkomen op drukke momenten. De voertuigen rijden dan dichter achter elkaar en moeten meer remmen en optrekken. Deze snelheden komen ook meer voor in steden, waar meer kruispunten en verkeerslichten zijn. De bult bij hoge snelheden kan verklaard worden door het type weg en de hoeveelheid verkeer. Een gemiddelde snelheid van meer dan 90 km/u komt voor op ringwegen en snelwegen. Hier zijn de verkeersintensiteiten hoger en ook het aandeel zwaar verkeer is groter.
33
Analyse Snelheden boven 120 km/u worden doorgaans enkel gehaald als er weinig verkeer is op de snelwegen. Vandaar dat de concentratie die gemeten is bij die snelheden lager ligt. Deze veronderstellingen kunnen gecontroleerd worden door afzonderlijk naar de verschillende wegcategorieën te kijken. Als men bijvoorbeeld 50 km/u rijdt op een snelweg, is er sprake van congestie en dan zal de BC-concentratie in de lucht veel hoger zijn dan op een plaats waar men 50 km/u kan rijden in de stad. 35
30
Highways
25
25
BC (µg/m³)
BC (µg/m³)
30
20 15 10 5
10
Speed (km/h) 25
Other roads
All roads
20 BC (µg/m³)
20 BC (µg/m³)
15
0
Speed (km/h)
15 10
15 10 5
5
0
0
Speed (km/h)
Figuur 22
20
5
0
25
Primary & secondary roads
Speed (km/h)
BC in functie van gereden snelheid, per wegcategorie, enkel auto.
De boxplots tonen de 5e, 25e, 75e, 95e percentielen, de mediaan en het gemiddelde (×).
Kristensson et al. maten de uitstoot van verscheidene gassen en deeltjes in een tunnel in Stockholm, Zweden. De uitstoot van EC en ‘organic carbon’ (OC) tonen ongeveer dezelfde trend als Figuur 21.
34
Analyse
Figuur 23
Uitstoot van EC en OC in functie van de gereden snelheid.
(Kristensson, et al., 2004)
In het onderzoek van Kristensson et al. (2004) is er enkel tussen 70 en 75 km/u een lagere uitstoot gemeten, terwijl in dit onderzoek vanaf 40 km/u een lagere concentratie aan BC gemeten werd. In het onderzoek van Kristensson et al. (2004) is de uitstoot van EC en OC vanaf 85 km/u dubbel zo hoog als bij lagere snelheden. In dit onderzoek is het verschil in concentratie tussen hoge en lage snelheden veel kleiner. Dit verschil kan verklaard woorden dat de uitstoot per gereden kilometer weergegeven is, en de concentratie geen rekening houdt met de verkeersintensiteit. Volgens Issarayangyun & Greaves (2007) bestaat er een negatief verband tussen de gereden snelheid en de concentratie aan fijn stof. In dit onderzoek kan hetzelfde gezegd worden voor BC, als er naar de verschillende wegcategorieën afzonderlijk gekeken wordt. Wat vooral opvalt is de hoge concentratie bij lage snelheden op snelwegen. Als er langzamer dan 60 km/u gereden wordt op snelwegen is er sprake van congestie. De BCconcentraties zijn dan hoger omdat er veel voertuigen aanwezig zijn en men dicht achter voorliggers rijdt.
35
Analyse
6.4
Tijdstip
De hoeveelheid verkeer hangt sterk af van het moment van de dag. Dit zou ook zichtbaar moeten zijn in de gemeten BC-concentraties. Figuur 24 toont de BC-concentratie per uur van de dag. De gegevens zijn van alle transportmodi. Tussen 0 uur en 6 uur waren er onvoldoende metingen om een doorlopende grafiek te kunnen weergeven. All days
Week days
Weekend
8000 7000
BC (ng/m³)
6000 5000 4000 3000 2000 1000 0 6
7
8
9
10 11 12 13 14 15 16 17 18 19 20 21 22 23 Hour
Figuur 24
BC in functie van tijdstip.
Bovenstaande grafiek toont een hogere piek in de ochtend dan in de namiddag. Issarayangyun & Greaves (2007) maten in de ochtendspits een 25% hogere concentratie van fijn stof dan in de avondspits. Volgens hen was dat te wijten aan de grotere congestie tijdens de ochtendspits, daar de gemiddelde snelheden ook lager waren (Issarayangyun & Greaves, 2007). Ook Pakkanen et al. (2000) vonden een hogere piek in de voormiddag dan in de namiddag, maar met een nog groter verschil. Hun dagcurve op zaterdagen en zondagen bleek veel vlakker dan hier het geval is. Op deze afbeelding is ook te zien welke kleine invloed de metingen in het weekend hebben op het totaal. De gemiddelden van alle 7 dagen zijn zo goed als gelijk aan de
36
Analyse gemiddelden van de werkdagen. Enkel om 15 uur is er een groot verschil van ± 1,5 µg/m³. Dit komt door uitzonderlijk lage meetwaarden in het weekend. In dit onderzoek lijkt het verschil tussen ochtend- en avondspits minder groot. Om het goed te kunnen vergelijken wordt in onderstaande afbeelding de gemiddelde gemeten snelheid en gemiddelde BC-concentratie weergegeven, enkel van de autoritten en enkel tijdens werkdagen. BC
Speed
14000
80
12000
70
BC (ng/m³)
50
8000
40 6000
30
4000
Speed (km/h)
60
10000
20
2000
10
0
0 6
7
8
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 Hour
Figuur 25
BC en snelheid in functie van tijdstip, enkel auto.
Zonder de invloed van de metingen tijdens het weekend en de andere modi, is het verschil tussen de ochtend- en avondspits groter. Een verband met snelheid valt moeilijk uit de grafiek op te maken. Tijdens de hele ochtendspits (7 tot 10 uur) is de gemiddelde snelheid zelfs hoger dan tijdens de avondspits (16 tot 19 uur). Dit komt niet door de hogere snelheid op de verschillende wegen maar door een andere routekeuze. De gemiddelde snelheid op de verschillende wegcategorieën is nagenoeg hetzelfde tijdens de ochtendspits als tijdens de avondspits.
37
Analyse
Morning peak
Afternoon peak
120
Speed (km/h)
100
95,1 96,6
80 60
54,4
40 38,4 37,7
20
49,7
32,4 32,6
0 Highways
Primary & secondary roads
Other roads
All roads
Road category Highways
Afternoon peak
Primary & secondary roads
25%
Morning peak
27%
32%
Other roads
48%
28%
39%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Figuur 26
Snelheidsverschil tussen ochtend- en avondspits, enkel auto.
De hogere gemiddelde snelheid tijdens de ochtendspits wordt niet verklaard door een hogere snelheid op sommige wegen, wel door meer snelweggebruik. Tijdens de ochtendspits wordt er gemiddeld 32% van de tijd op snelwegen gereden. Tijdens de avondspits is dat 25%. Dit verschil verklaart tevens de hogere gemiddelde BCblootstelling. Op snelwegen is die immers hoger dan op andere wegen. Zoals vermeld, wordt de spits gedefinieerd als de periode tussen 7 en 10 uur en tussen 16
en
19 uur.
Deze
afbakening
wordt
ook
gehanteerd
in
het
Onderzoek
Verplaatsingsgedrag Vlaanderen (Janssens, Cools, Miermans, Declercq, & Wets, 2011). Het uiteindelijke verschil in BC-concentratie, voor alle modi, wordt weergegeven in de figuur hieronder.
38
Analyse
20000 18000
3179
2210
1650
Peak
Off-peak
Weekend
16000
BC (ng/m³)
14000 12000
10000 8000 6000 4000 2000 0
Figuur 27
Verschil tussen spits, dal en weekend.
De boxplot toont de 5e, 25e, 75e, 95e percentielen, de mediaan en het gemiddelde (×). Bovenaan staat het aantal BC-metingen.
Zoals verwacht liggen de BC-concentraties een stuk hoger tijdens de spits dan tijdens de daluren of in het weekend, met respectievelijk 5791, 4723 en 3746 ng/m³. Terwijl de spits maar 6 uur van een dag beslaat, en alleen tijdens werkdagen, werden dan veruit de meeste metingen geregistreerd.
39
Analyse
9000 8000
BC (ng/m³)
7000 6000 5000 4000 3000 2000 1000 0 Bike
Bus
Car
Light rail / metro
On foot
Train
Peak
3709
8435
7655
6311
3480
2471
Off-peak
3778
4541
5515
4478
4146
2294
Weekend
2818
5972
4762
3517
1886
2114
Transport mode
Figuur 28
Verschil tussen spits, dal en weekend per vervoermiddel.
Fiets en te voet tonen ook hier ongeveer dezelfde BC-concentraties en de verschillen tussen piek en dal zijn kleiner dan bij de andere modi. Alleen in de trein zijn de verschillen nog kleiner en de waarden nog lager. Spoorwegen zijn dan ook het verst verwijderd van het overige verkeer. Verder valt nog de hoge concentratie in bussen tijdens het weekend op. Omdat het aantal metingen in deze categorie beperkt is, wordt het gemiddelde sterk beïnvloed door enkele hoge uitschieters gemeten gedurende een bepaalde verplaatsing.
40
Analyse
6.5
Verkeersintensiteit
De oorzaak van de grote verschillen naargelang het tijdstip, is grotendeels te zoeken in de verkeersintensiteit. Deze verschilt namelijk sterk naargelang het moment van de dag. Figuur 29 geeft de BC-concentraties weer in functie van de verkeersintensiteit. De verkeersintensiteit is weergegeven in categorieën van 500 motorvoertuigen per uur. De blootstellingsgegevens betreffen alle modi op de weg. 30000
BC (ng/m³)
25000 20000
15000 10000 5000 0
Traffic flow (veh/h)
Figuur 29
BC in functie van verkeersintensiteit.
De boxplot toont de 5e, 25e, 75e, 95e percentielen, de mediaan en het gemiddelde (×).
We zien een sterk verband tussen de BC-concentratie en de verkeersintensiteit. Op drukke wegen is de concentratie meer dan dubbel zo hoog als op rustige wegen. Zoals bij de snelheid, kan ook hier per wegcategorie gekeken worden naar de invloed van de verkeersintensiteit op de BC-concentratie. In onderstaande boxplots worden enkel de metingen in auto’s weergegeven. De BC waarden gemeten in andere modi dan de auto wegen door hun kleinere aantal slechts zeer beperkt op het totaal. Vandaar dat de BC-waarden gemeten in auto’s (Figuur 30) bijna gelijk zijn aan de gemiddelde waarden van alle modi (Figuur 29).
41
Analyse
30
30
Highways
25 BC (µg/m³)
BC (µg/m³)
25 20 15 10
15 10 5
0
0
25
Traffic flow (veh/h) 30
Other roads
BC (µg/m³)
15 10
20 15 10
5
5
0
0
Traffic flow (veh/h)
Figuur 30
All roads
25
20 BC (µg/m³)
20
5
Traffic flow (veh/h)
Primary & secondary roads
Traffic flow (veh/h)
BC in functie van verkeersintensiteit, per wegcategorie, enkel auto.
Op snelwegen valt de hogere concentratie op bij lage verkeersintensiteiten (minder dan 500 voertuigen per uur). In deze categorie is de gemiddeld gemeten snelheid ook lager dan bij hogere verkeersintensiteiten (59 km/u tegenover 90 tot 100 km/u). Het gaat hier evenwel niet om congestie, maar om op- en afritten van snelwegen. Blijkbaar is de BCconcentratie relatief hoog op op- en afritten doordat daar hard moet worden geaccelereerd en mogelijk ook door de nabijheid van overige wegen waar ook een aanzienlijke hoeveelheid BC wordt uitgestoten. Bij de laagste intensiteitsklasse zitten ook nachtelijke snelwegritten.
42
Analyse
6.6
Reistijd
Een opvallend resultaat is de stijging van de BC-concentratie gedurende het eerste kwartier van ritten met de auto. De onderstaande grafieken tonen het eerste uur van autoritten die minstens een uur duren. Het gaat hier over 56 autoritten, waarvan er op elke moment bij minstens 29 ook goede GPS-ontvangst was. 10000 9000 8000 BC (ng/m³)
7000 6000 5000
4000 3000 2000 1000 0 0
5
10
15
20
25
30
35
40
45
50
55
Trip time (minutes)
Figuur 31
BC-concentratie tijdens lange autoritten.
Vooral het eerste kwartier van de ritten is er een stijging van de blootstelling aan BC. Bij vertrek is er een gemiddelde concentratie van 4 µg/m³ gemeten, een kwartier later is dat 9,4 µg/m³. Door onnauwkeurigheden in de dagboekjes kan het zijn dat er gedurende de eerste 5 minuten nog overlap is met de voorgaande activiteit. De eerste meting kan bijgevolg een onderschatting zijn van de werkelijke BC-concentratie in het verkeer. Volgens Fruin, Winer, & Rodes (2004) is er geen causaal verband tussen de BCconcentratie en de reistijd. De concentratie steeg onmiddellijk bij het oprijden van de snelweg en daalde onmiddellijk tot een lage waarde bij het afrijden ervan in een rustige omgeving. Er is dus geen sprake van accumulatie van deze polluent in auto’s. Er kan wel enige vertraging zitten tussen een verandering in luchtkwaliteit buiten en binnenin het voertuig. De tijd die nodig is voor het vernieuwen van de lucht in de volledige binnenruimte van een auto is afhankelijk van het type voertuig, de instelling van de ventilatie en de rijsnelheid. Het varieert van 1 uur (bij lage snelheid en ventilatie op laagste stand) tot iets meer dan 1 minuut (bij hoge snelheid en ventilatie op hoogste
43
Analyse stand). Bij een rijsnelheid van 110 km/u duurt het gemiddeld 3 minuten om de volledige binnenruimte van nieuwe lucht te voorzien (Knibbs, de Dear, & Atkinson, 2009). De stijgingen en dalingen hier zouden dus te verklaren moeten zijn aan de hand van de gekozen route. De meeste ritten vertrekken thuis, in een woonstraat met weinig verkeer, of op het werk, op bijvoorbeeld een bedrijventerrein. Na een tijdje komt men op grotere verbindingswegen en snelwegen terecht. In deze dataset zijn er maar weinig ritten die veel langer dan een uur duren. Na 3 kwartier daalt de BC-concentratie weer. Het lijkt er dus op dat de reizigers dan weer kleinere wegen nemen omdat ze bijna op hun bestemming zijn. De volgende grafiek toont het aandeel van verschillende wegcategorieën tijdens deze ritten. Highways
Primary & secondary roads
Other roads
100%
90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 0
5
10
15
20
25
30
35
40
45
50
55
Trip time (minutes)
Figuur 32
Wegkeuze tijdens lange autoritten.
Na een half uur rijden bevindt ruim twee derde van de automobilisten zich op de snelweg. Slechts 14% rijdt dan nog op kleine wegen. Het grootste verschil tussen deze wegcategorieën is de hoeveelheid verkeer dat er op zit. De volgende grafiek toont voor dezelfde autoritten de gemiddelde verkeersintensiteit op de wegen waarop op dat moment gereden werd.
44
Analyse
BC
Traffic flow
12000
2000
BC (ng/m³)
1600 1400
8000
1200 6000
1000 800
4000
600 400
2000
Traffic flow (veh/h)
1800 10000
200 0
0
0
5
10
15
20
25
30
35
40
45
50
55
Trip time (minutes)
Figuur 33
Deze
BC-concentratie en verkeersintensiteit tijdens lange autoritten.
grafiek
insinueert
een
sterk
verband
tussen
de
BC-concentratie
en
de
verkeersintensiteit op dat moment. Alleen de kleine daling in het midden is hier niet in terug te vinden. De curve voor de BC-concentratie ziet er in Figuur 31 iets anders uit dan in de laatste grafiek omdat het in het eerste geval gaat om alle autoritten uit de dagboekjes en in het tweede geval om de autoritten met GPS-ontvangst en die zijn overgebleven na de koppeling met de wegenkaart en de daaropvolgende selectie op basis van afstand tussen de GPS-punten en de weg.
45
Analyse
6.7
Motief van de verplaatsing
Het motief van de verplaatsing staat niet in direct verband met de BC-concentratie. Het zijn de externe omstandigheden die bepalend zijn voor de blootstelling aan BC, niet de reden waarom men zich verplaatst. Toch zijn er duidelijke verschillen tussen de verschillende verplaatsingsmotieven. 20000 18000
246
394
514
465
355
415
590
129
778
3153
16000
BC (ng/m³)
14000 12000 10000 8000 6000 4000 2000
0
Trip motive
Figuur 34
BC in functie van verplaatsingsmotief.
De boxplot toont de 5e, 25e, 75e, 95e percentielen, de mediaan en het gemiddelde (×). Bovenaan staat het aantal BC-metingen.
Bovenstaande grafiek laat ons zien dat de blootstelling aan BC sterk afhankelijk is van het motief van de verplaatsing. Naar het werk gaan levert een dubbel zo hoge waarde op als bijvoorbeeld recreatieve verplaatsingen of naar huis gaan. Het is uiteraard niet het motief zelf dat voor deze verschillen verantwoordelijk is. Het verschil zit in de gekozen route, het gekozen moment en het gebruikte vervoermiddel.
46
Analyse
Highways
Primary & secondary roads
Other roads
100% 90% 80% 70% 60% 50% 40% 30%
20% 10% 0%
Trip motive
Figuur 35
Verplaatsingsmotieven opgedeeld volgens wegcategorie.
Ondanks dat het weekend slechts 2 van de 7 dagen beslaat, wordt de helft van socialeen ontspanningsactiviteiten tijdens het weekend ondernomen. Diensten en werken worden, op een paar procent na, bijna altijd op werkdagen gedaan. Deze verdeling is mede verantwoordelijk voor het verschil in blootstelling tijdens het onderweg zijn naar deze activiteiten.
47
Analyse
Weekend
Offpeak
Peak
100% 90% 80% 70% 60% 50% 40% 30%
20% 10% 0%
Trip motive
Figuur 36
Verplaatsingsmotieven opgedeeld volgens spits, dal en weekend.
Verplaatsingen naar het werk, naar diensten of om personen of goederen op te halen of weg te brengen gebeuren het vaakst tijdens de spits. Dit verklaart deels de hogere BCblootstelling. Verplaatsingen met doel ontspanning, vrije tijd of iemand bezoeken gebeuren meestal tijdens het weekend. De verplaatsingsmotieven ‘Social’ en ‘Non-daily shopping’ kennen een relatief hoge gemiddelde BC-blootstelling ondanks het feit dat ze vaak in het weekend voorkomen. Andere motieven die voornamelijk tijdens het weekend plaatsvinden kennen een duidelijk lagere gemiddelde BC-concentratie. Ten slotte kan ook per verplaatsingsmotief de modal split bekeken worden.
48
Analyse
Car driver
Car passenger
Bike
On foot
Bus
Light rail/metro
Train
100% 90% 80% 70% 60% 50% 40% 30%
20% 10% 0%
Trip motive
Figuur 37
Modal split per verplaatsingsmotief.
Het openbaar vervoer wordt over het algemeen weinig gekozen. Een uitzondering op dat vlak zijn werk-gerelateerde verplaatsingen. Daarvan gebeurt 15% met de trein. Bij 9 van de 10 verplaatsingsmotieven wordt voor minstens de helft van de ritten de auto genomen. Enkel ‘Go for a ride’ gebeurt meestal met de fiets en te voet. Bijna niemand doet boodschappen met het openbaar vervoer, ook voor de andere verplaatsingsmotieven speelt het openbaar vervoer slechts een beperkte rol.
49
50
Model
7
Model
De gemiddelde gemeten BC-concentratie voor alle verplaatsingen bedraagt 4976 ng/m³. Dit is gebaseerd op een set van 7039 metingen. Per mode zal een model opgesteld om de BC-concentratie nauwkeuriger te kunnen voorspellen.
7.1
Variabelen
Tot de mogelijke verklarende variabelen behoren:
Triplengte (in minuten)
Tijd onderweg (in minuten)
Piek-dal-weekend (3 categorieën)
Spitsfactor alle verkeer (per uur in % van de dagintensiteit)
Spitsfactor zwaar verkeer (per uur in % van de dagintensiteit)
Dag van de week (7 categorieën)
Uur van de dag (24 categorieën)
Motief van de verplaatsing (10 categorieën)
Een aantal van deze parameters mogen niet gebruikt worden in een model omdat ze geen plausibel verband houden met de BC-blootstelling of omdat ze worden benaderd door andere variabelen. Er is geen wezenlijk verschil in BC-concentraties tussen de verschillende weekdagen. Tevens is er per dag gecorrigeerd voor achtergrondconcentraties. Het weekend toont wel lagere waarden, maar dat verschil kan worden opgevangen door de variabele piek-dalweekend. De triplengte en tijd onderweg kunnen ook beter niet gebruikt worden. Er is immers geen sprake van accumulatie. Tevens zou de toevoeging van de variabele ‘tijd onderweg’ de toepassing van het model gecompliceerd maken doordat er elke minuut een andere waarde bijkomt. Ook verplaatsingsmotief zal niet worden gebruikt in het model. De reden waarom een verplaatsing wordt gemaakt heeft geen invloed op de blootstelling aan vervuiling. Het speelt wel een rol in de keuze voor het moment en de route. Die elementen horen wel in het model. De verplaatsingen met modi op de weg (auto, bus, fiets en te voet) zijn gekoppeld aan een wegenkaart. Dit resulteert in de volgende bijkomende variabelen:
51
Model
Door GPS geregistreerde snelheid (km/h)
Gemiddelde snelheid op die weg (km/h)
Intensiteit alle verkeer op die weg (mvt/dag)
Intensiteit zwaar verkeer op die weg (mvt/dag)
Intensiteit alle verkeer berekend met spitsfactor (mvt/uur)
Intensiteit zwaar verkeer berekend met spitsfactor (mvt/uur)
Provincie (5 categorieën)
Stedelijkheidsgraad (4 categorieën)
Wegcategorie (3 categorieën)
Ook hier zijn er variabelen die niet zullen worden opgenomen in de modellen. Er zal geen onderscheid gemaakt worden naargelang de provincie omdat sommige provincies ondervertegenwoordigd zijn in de verplaatsingen. Hier moet ook opgelet worden voor samenhang tussen de verschillende variabelen (multicollineariteit). Er zijn 2 soorten snelheden: door de GPS geregistreerd en de gemiddelde snelheid op die weg aangegeven door het Vlaams Verkeerscentrum. Slechts één van beide mag gebruikt worden in een model. Het verband tussen snelheid en BC-concentratie is niet continu stijgend. Hiermee moet rekening gehouden worden bij het gebruiken van de snelheid in een model. Bij het opnemen van de verkeersintensiteit in een model moet ook opgelet worden voor multicollineariteit. De verkeersintensiteit kan uitgedrukt zijn per uur of per dag en gelden voor alle verkeer of alleen voor het zwaar verkeer. Deze variabelen zijn sterk met elkaar gecorreleerd en ook met de spitsfactoren uit het CAR-model. Slechts één van deze 6 mag gebruikt worden. Het verband tussen verkeerintensiteit en BC is wel continu stijgend. Aan de hand van een correlatiematrix zal gekeken worden welke van deze mogelijkheden het meest bepalend is voor de BC-concentratie. Deze correlatiematrices zijn te vinden in Bijlage 3.
52
Model
7.2
Methodiek
De modellen werden opgesteld in SAS met de regression-procedure. Er werd gekozen voor stepwise regression. Hiervoor was het wel nodig om dummyvariabelen aan te maken voor de categorische variabelen. Met stepwise regression wordt na het toevoegen van een variabele ook geprobeerd andere variabelen die al eerder waren toegevoegd te verwijderen. Op die manier combineert het de voordelen van forward en backward regression. Deze methodiek zal gebruikt worden om de modellen op te stellen. De modeloutput van de eerste stap is te vinden in Bijlage 4. Voor de weergave van de modellen is gekozen voor een boomstructuur. Deze begint aan de linkerkant met het algemeen gemiddelde voor dat vervoermiddel. De onderverdeling wordt gemaakt volgens wat na elke stap:
De meest significante variabele is;
De meest waarschijnlijk gekende variabele is.
Zo kan er bijvoorbeeld niet begonnen worden met de verkeersintensiteit, deze is immers meestal niet gekend. Het moment van de dag daarentegen, zal bijna altijd geweten zijn. De
boom
wordt
verder
vertakt
zolang
de
variabelen
significant
zijn
op
een
significantieniveau van 0,05 en zolang het resultaat plausibel is. Met plausibel wordt bedoeld dat er een positief verband is tussen BC en de verkeersintensiteit en dat de BCconcentratie hoger is tijdens de spitsuren dan erbuiten, en hoger is op wegen van een hogere categorie en hoger in steden dan in landelijke gebieden. Als een verdere opdeling bij slechts een minderheid van de categorieën mogelijk is, wordt het geheel weggelaten. De boomstructuur zal niet automatisch aangemaakt worden, maar handmatig. Hiermee kan bij elke stap gecontroleerd worden of de vertakking zinvol is en leidt tot een plausibele schatting. Voor elk vervoermiddel wordt er een regressieboom opgesteld. Deze begint met de onderverdeling volgens tijdstip (weekdag-spits – weekdag-dal – weekend). Om de gemiddelde BC-concentratie te meten bij deze onderverdeling kunnen alle metingen gebruikt worden. De nodige informatie (vervoermiddel en tijdstip) is immers bij elke meting
gekend.
Voor
verder
onderverdeling,
volgens
stedelijkheidsgraad,
is
locatiebepaling nodig. Dit is enkel mogelijk indien er GPS-ontvangst was. Vanaf dan wordt er overgeschakeld op de dataset waar niet alle BC-metingen inzitten en met een observatie per seconde.
53
Model De methodiek komt grotendeels overeen met die voor opstellen van een Land Use Regression (LUR) model, waarvoor volgend algoritme gebruikt wordt om het model te bouwen (Larson, Henderson, & Brauer, 2009) (Nethery, Teschke, & Brauer, 2008):
Rangschik alle variabelen volgens hun absolute correlatie met de gemeten polluent
Bepaal de hoogst gerangschikte variabele in elke subcategorie
Elimineer de andere variabelen in elke subcategorie die gecorreleerd (Pearson’s r ≥ 0,6) zijn met de hoogst gerangschikte variabele
Stop alle overgebleven variabelen in een stapsgewijze lineaire regressie
Verwijder de variabelen met een niet-significante t-statistiek (α=0,05) en degene die in tegenspraak zijn met eerder gemaakte veronderstellingen
Herhaal stap 4 en 5 om te convergeren en verwijder de variabelen die minder dan 1% bijdragen tot de R² om tot een niet te complex model te komen
Het resulterende model heeft meestal tussen de 3 en de 6 onafhankelijke variabelen en ziet er als volgt uit: Concentratie polluent = α + β1X1 + β2X2 + β3X3 – β4X4 Met deze vergelijking kan voor elke situatie of locatie in het studiegebied snel de bijhorende concentratie berekend worden. Het uiteindelijk model ziet er in het geval van een regressieboom anders uit dan dat van een LUR-model, maar de variabelen worden op dezelfde manier geselecteerd. In dit onderzoek is er veel belang gehecht aan de bruikbaarheid van het model. Een formule, zoals bij een LUR-model, kan immers niet gebruikt worden als een van de variabelen niet gekend is. Een tweede reden om een boom te verkiezen boven een formule is dat we hier voornamelijk beschikken
over categorische
variabelen. Per categorie kunnen
de
coëfficiënten van de andere variabelen veranderen. Met vaste coëfficiënten zou het model niet de volledige variatie kunnen dekken. Er is dus gekozen voor een regressieboom die niet alleen op het einde van de takken een waarde geeft maar ook na iedere vertakking. Een voordeel van deze benadering is dat de boom niet volledig doorlopen hoeft te worden om tot een resultaat te komen. Als er bijvoorbeeld niet geweten is op welke locatie de rit plaatsvindt, kan er toch een waarde afgelezen worden. Deze waarde is dan uiteraard een minder nauwkeurige benadering dan de waarde aan het einde van een tak. Het toepassen van het model levert een gemiddelde concentratie op voor het deel van de verplaatsing waarbinnen de variabelen gelijk blijven. Als bepaalde variabelen veranderen
54
Model tijdens de verplaatsing komt men verschillende waarden na elkaar uit, waarvan een gewogen gemiddelde genomen kan worden. Bij elke modus wordt ook een algemeen gemiddelde gegeven. Aangezien de BCconcentraties log-normaal verdeeld zijn, wordt niet de standaardafwijking gegeven maar de interkwartielafstand (Q3 – Q1).
7.3
Resultaten
7.3.1 Auto De gemiddelde gemeten BC-concentratie voor alle verplaatsingen met de auto bedraagt 6286 ng/m³ (Q3 – Q1 = 5681). Dit is gebaseerd op een set van 3837 metingen. Een nauwkeurigere voorspelling wordt gegeven door onderstaande regressieboom. De getallen stellen de BC-concentraties voor in ng/m³.
55
Model
Peak 7655
Car 6286
Off-peak 5515
Weekend 4762
Model 1
Highway 11975
9637 + 1,021×INT
Urban 11200
8736 + 1,723×INT
Suburban 9112
5655 + 3,134×INT
Rural 7665
6414 + 1,407×INT
Highway 10198
6822 + 1,959×INT
Urban 8198
6147 + 2,605×INT
Suburban 6403
4175 + 3,199×INT
Rural 4794
3032 + 3,321×INT
Highway 8294
6724 + 0,622×INT
Urban 8778
7750 + 0,747×INT
Suburban 5542
2881 + 2,865×INT
Rural 4217
2589 + 2,025×INT
BC-concentratie auto (ng/m³)
‘×INT’ wil zeggen dat het getal vermenigvuldigd moet worden met de verkeersintensiteit, uitgedrukt in aantal voertuigen per uur.
Zoals vermeld, zijn de waarden bij de onderverdeling Spits-Dal-Weekend gebaseerd op alle metingen, ook die waarbij geen GPS-signaal was. Vanaf de volgende onderverdeling, volgens stedelijkheidsgraad, zijn enkel de metingen gebruikt waarbij GPS-locatie mogelijk was. Omdat de gebruikte wegenkaart niet alle wegen kent, zijn in landelijke
56
Model gebieden vooral de observaties met lage BC-metingen weggevallen. Dit resulteert in een onlogische waarde tijdens de spits. De gemiddelde concentratie voor alle autoritten tijdens de spits is lager dan die van de laagste categorie eronder, namelijk platteland.
7.3.2 Bus De gemiddelde gemeten BC-concentratie voor alle verplaatsingen met de bus bedraagt 6567 ng/m³ (Q3 – Q1 = 4799). Dit is gebaseerd op een set van 189 metingen. Een nauwkeurigere voorspelling wordt gegeven door onderstaande regressieboom. De getallen stellen de BC-concentraties voor in ng/m³.
Urban 12329 Peak 8435
Suburban 7479
Rural 9660
Bus 6567
Urban 6510 Off-peak + Weekend 5073
Suburban 5894 Rural 4417
Model 2
BC-concentratie bus (ng/m³)
Het bleek niet mogelijk een valide waarde te vinden voor de BC-concentratie in bussen op snelwegen. Er waren wel observaties tijdens busritten op snelwegen, maar te weinig voor een betrouwbaar model.
7.3.3 Fiets De gemiddelde gemeten BC-concentratie voor alle verplaatsingen met de fiets bedraagt 3555 ng/m³ (Q3 – Q1 = 3310). Dit is gebaseerd op een set van 1166 metingen. Een nauwkeurigere voorspelling wordt gegeven door onderstaande regressieboom. De getallen stellen de BC-concentraties voor in ng/m³.
57
Model
Urban 5130 Peak + Off-peak 3738
Suburban 4677 Rural 4110
Bike 3555
Urban 6124 Weekend 2818
Suburban 2861
Rural 2660
Model 3
BC-concentratie fiets (ng/m³)
Hier doet zich hetzelfde probleem voor als bij autoritten in de spits. Het zijn vooral lage BC-metingen waarvoor geen passende weg is gevonden op de wegenkaart. Hierdoor is de gemiddelde waarde voor weekdagen lager dan de laagste waarde in de volgende stap (stedelijkheidsgraad).
7.3.4 Te voet De gemiddelde gemeten BC-concentratie voor alle verplaatsingen te voet bedraagt 3175 ng/m³ (Q3 – Q1 = 2771). Dit is gebaseerd op een set van 1161 metingen. Een nauwkeurigere voorspelling wordt gegeven door onderstaande regressieboom. De getallen stellen de BC-concentraties voor in ng/m³.
58
Model
Urban 3805 Peak + Off-peak 3800
Suburban 4597 Rural 4123
On foot 3175
Urban 4314 Weekend 1886
Suburban 2562
Rural 1334
Model 4
BC-concentratie te voet (ng/m³)
Ook hier doet zich hetzelfde probleem voor als bij autoritten in de spits. Omdat het vooral lage BC-metingen zijn waarvoor geen passende weg is gevonden op de wegenkaart, is het gemiddelde voor weekdagen lager dan de laagste waarde in de volgende stap (stedelijkheidsgraad). Tevens is het onlogisch dat tijdens weekdagen de gevonden BC-concentratie in steden lager is dan in andere gebieden.
7.3.5 Tram & metro De gemiddelde gemeten BC-concentratie voor alle verplaatsingen met de tram of metro bedraagt 5066 ng/m³ (Q3 – Q1 = 4332). Dit is gebaseerd op een set van 72 metingen. Een nauwkeurigere voorspelling wordt gegeven door onderstaande regressieboom. De getallen stellen de BC-concentraties voor in ng/m³.
Light rail + Metro 5066
Model 5
Peak 6311
Off-peak + Weekend 4070
BC-concentratie tram & metro (ng/m³)
59
Model De verplaatsingen met de tram of metro zijn niet gekoppeld met de wegenkaart. Metro’s hebben bijna altijd hun eigen bedding en stoten zelf geen BC uit. Trams rijden meestal wel op een weg waar ook ander verkeer zit. Er zijn ook te weinig metingen om onderscheid te maken met meerdere categorieën of continue variabelen. De enige variabele met een significante invloed op de BC-concentratie is moment van de dag. Tijdens de spits (op weekdagen van 7 tot 10 uur en van 16 tot 19 uur) bedraagt de gemiddelde concentratie 6311 ng/m³, op andere momenten 4070 ng/m³.
7.3.6 Trein De gemiddelde gemeten BC-concentratie voor alle verplaatsingen met de trein bedraagt 2394 ng/m³ (Q3 – Q1 = 1918). Dit is gebaseerd op een set van 614 metingen.
Train 2394
Model 6
BC-concentratie trein (ng/m³)
Er is geen model gevonden voor de BC-blootstelling in treinen. Net zoals bij tram en metro, zijn ook de verplaatsingen met de trein niet gekoppeld met de wegenkaart. Het heeft ook geen zin om variabelen op te nemen zoals intensiteit of eigenschappen van de spoorweg. De meeste treinen stoten immers zelf geen BC uit. Geen enkele variabele die wel gekend is – zoals moment van de dag – toont een significant verband met de BCconcentratie.
60
Conclusie
8
Conclusie
Het doel van dit onderzoek bestond er uit de BC-blootstelling in het verkeer te voorspellen. Er zijn grote verschillen in BC-blootstelling aangetoond naargelang het moment van de dag, de stedelijkheidsgraad en het soort weg. Deze verschillen zijn vooral merkbaar bij het gemotoriseerd verkeer. Bij het langzaam verkeer zijn deze verschillen kleiner en bovendien zijn alle waarden lager dan bij het gemotoriseerd verkeer. Fietsers en voetgangers kunnen rustigere paden of zelfs verkeersvrije paden kiezen en zo verder verwijderd blijven van de bron. BC reikt niet zo ver. Op slechts 50 m van de bron is de concentratie er al nauwelijks hoger dan de achtergrondwaarde. Hoewel een sterk verband aangetoond is tussen verkeersintensiteit en BC-blootstelling, is dat voor de meeste transportmodi niet terug te vinden in het model. Enkel voor ritten met de auto is er een voldoende verklarend model gevonden met de verkeersintensiteit als één van de verklarende variabelen. Voor de andere modi wordt de hoeveelheid verkeer, en daarmee ook de BC-concentratie, benaderd door variabelen zoals het tijdstip en de stedelijkheidsgraad. Bij deze modi zijn er te weinig observaties om het model verder te verfijnen. Als modelstructuur is er gekozen voor een boom. De voorspelde waarden worden niet enkel op het einde van de takken weergegeven, maar ook bij elke vertakking. Zo hoeft de boom niet volledig doorlopen te worden om een, zij het minder nauwkeurige, voorspelling te bekomen. Omdat de gebruikte wegenkaart niet alle kleine wegen bevat, zijn er veel observaties met een lage BC-concentratie weggevallen bij de ruimtelijke analyse. Hierdoor wordt het gemiddelde in landelijke gebieden overschat. Tevens zijn de gemiddelde concentraties volgens tijdstip, vervoermiddel en verplaatsingsmotief, waarbij alle metingen gebruikt zijn,
over
het
stedelijkheidsgraad,
algemeen
lager
wegcategorie,
dan snelheid
de en
gemiddelde
concentraties
verkeersintensiteit,
volgens
waarbij
enkel
metingen gebruikt zijn waarbij de GPS-coördinaten een match vonden op de wegenkaart. De modellen zijn enkel toepasbaar voor black carbon en enkel in Vlaanderen. De gebruikte metingen vonden enkel plaats in Vlaanderen en bovendien is de samenstelling van het verkeer in België anders dan in andere landen.
61
62
Bibliografie
Bibliografie Adams, H. S., Nieuwenhuijsen, M. J., Colvile, R. N., Older, M. J., & Kendall, M. (2002). Assessment of road users’ elemental carbon personal exposure levels, London, UK. Atmospheric Environment 36, 5335-5342. Adar, S. D., Gold, D. R., Coull, B. A., Schwartz, J., Stone, P. H., & Suh, H. (2007). Focused Exposures to Airborne Traffic Particles and Heart Rate Variability in the Elderly. Epidemiology 18, 95-103. Baron, R. E., Montgomery, D. W., & Tuladhar, S. D. (2009). An Analysis of Black Carbon Mitigation as a Response to Climate Change. Frederiksberg, DK: Copenhagen Consensus Center. Baumgardner, D., Kok, G., & Raga, G. (2004). Warming of the Arctic lower stratosphere by light absorbing particles. Geophysical Research Letters 31, 6117-6120. Beekhuizen, J., Kromhout, H., Huss, A., & Vermeulen, R. (2011). Performance of GPSTracking Devices in Exposure Assessment. Utrecht, NL: Universiteit Utrecht. Bond, T. C., & Sun, H. (2005). Can reducing black carbon emissions counteract global warming? Environmental Science & Technology 39, 5921-5926. Borm, P. J., Schins, R. P., & Albrecht, C. (2004). Inhaled particles and lung cancer, Part B: Paradigms and risk assessment. Int. J. Cancer 110, 3-14. Carnegie Institution of Washington. (2011, April 14). Climate change from black carbon depends on altitude. Opgehaald van Carnegie Institution for Science: http://carnegiescience.edu/news/climate_change_black_carbon_depends_altitude Dockery, D. W., & Pope, C. A. (2006). Health Effects of Fine Particulate Air Pollution: Lines that Connect. Air & Waste Management Association 56, 709-742. Dons, E., Int Panis, L., Van Poppel, M., Theunis, J., & Wets, G. (2012). Personal exposure to Black Carbon in transport microenvironments. Atmospheric Environment 55, 392-398. Dons, E., Int Panis, L., Van Poppel, M., Theunis, J., Willems, H., Torfs, R., & Wets, G. (2011). Impact of time-activity patterns on personal exposure to black carbon. Atmospheric Environment 45, 3594-3602.
63
Bibliografie Fruin, S. A., Winer, A. M., & Rodes, C. E. (2004). Black carbon concentrations in California vehicles and estimation of in-vehicle diesel exhaust particulate matter exposures. Atmospheric Environment 38, 4123-4133. Gilmour, P. S., Ziesenis, A., Morrison, E. R., Vickers, M. A., Drost, E. M., Ford, I., . . . Donaldson, K. (2004). Pulmonary and systemic effects of short-term inhalation exposure to ultrafine carbon black particles. Toxicology and Applied Pharmacology 195, 35-44. Gulliver, J., & Briggs, D. J. (2004). Personal exposure to particulate air pollution in transport. Atmospheric Environment 38, 1-8. Gulliver, J., & Briggs, D. J. (2005). Time–space modeling of journey-time exposure traffic-related air pollution using GIS. Environmental Research 97, 10-25. Hansen, A. D., Rosen, H., & Novakov, T. (1984). The aethalometer — An instrument for the real-time measurement of optical absorption by aerosol particles. Science of The Total Environment 36, 191-196. Health Effects Institute. (2010). Traffic-Related Air Pollution: A Critical Review of the Literature on Emissions, Exposure, and Health Effects. Boston, MA: Health Effects Institute. Highwood, E. J., & Kinnersley, R. P. (2006). When smoke gets in our eyes: The multiple impacts of atmospheric black carbon on climate, air quality and health. Environment International 32, 560-566. Issarayangyun, T., & Greaves, S. (2007). Analysis of minute-by-minute exposure to fine particulates inside a car – A time-series modelling approach. Transportation Research Part D, 347-357. J. Sandradewi, A. S.-G. (2008). Study of Aerosol from Wood Burning Versus Other Sources (AEROWOOD) Using a Multiwavelength Aethalometer. In Aerosol & Atmospheric Optics: Visual Air Quality and Radiation 56. Jacobson, M. Z. (2002). Control of fossil-fuel particulate black carbon and organic matter, possibly the most effective method of slowing global warming. Journal of Geophysical Research 107, 4410-4432. Janssen, N. A., Hoek, G., Simic-Lawson, M., Fisher, P., van Bree, L., ten Brink, H., . . . Cassee, F. R. (2011). Black Carbon as an Additional Indicator of the Adverse Health Effects of Airborne Particles Compared with PM10 and PM2.5. Epidemiology 22, 1691-1699.
64
Bibliografie Janssens, D., Cools, M., Miermans, W., Declercq, K., & Wets, G. (2011). Onderzoek Verplaatsingsgedrag Vlaanderen 4.2 (2009-2010). Diepenbeek, BE: Instituut voor Mobiliteit. Jonkers, S., & Vanhove, F. (2010). CAR-Vlaanderen V2.0: Handleiding. Leuven, BE: Transport & Mobility Leuven. Knibbs, L. D., de Dear, R. J., & Atkinson, S. E. (2009). Field study of air change and flow rate in six automobiles. Indoor Air, 303–313. Koch, D., & Hansen, J. (2005). Distant origins of Arctic black carbon: A Goddard Institute for Space Studies ModelE experiment. Journal of Geophysical Research 110, 14. Kochan, B. (2011). Feathers Data. Diepenbeek, BE: Transportation Research Institute (IMOB). Kochan, B., Bellemans, T., Janssens, D., & Timmermans, H. J. (2010). Quality assessment of location data obtained by the GPS-enabled PARROTS survey tool. Journal of Location Based Services 4, 93-104. kowoma.de. (2009, April 19). Sources of Errors in GPS. Opgehaald van kowoma.de: http://www.kowoma.de/en/gps/errors.htm Kristensson, A., Johansson, C., Westerholm, R., Swietlicki, E., Gidhagen, L., Wideqvist, U., & Vesely, V. (2004). Real-world traffic emission factors of gases and particles measured in a road tunnel in Stockholm, Sweden. Atmospheric Environment 38, 657-673. Kristjánsson, J. E. (2002). Studies of the aerosol indirect effect from sulfate and black carbon aerosols. Journal of Geophysical Research 107, 4246-4264. Kupiainen, K., & Klimont, Z. (2007). Primary emissions of fine carbonaceous particles in Europe. Atmospheric Environment 41, 2156-2170. Larson, T., Henderson, S. B., & Brauer, M. (2009). Mobile Monitoring of Particle Light Absorption Coefficient in an Urban Area as a Basis for Land Use Regression. Environmental Science and Technology 43, 4672-4678. Nemmar, A., Hoylaerts, M. F., Hoet, P. H., & Nemery, B. (2004). Possible mechanisms of the cardiovascular effects of inhaled particles: systemic translocation and prothrombotic effects. Toxicology Letters 149, 243–253.
65
Bibliografie Nethery, E., Teschke, K., & Brauer, M. (2008). Predicting personal exposure of pregnant women to traffic-related air pollutants. Science of the Total Environment 395, 1122. Ostro, B., Lipsett, M., Reynolds, P., Goldberg, D., Hertz, A., Garcia, C., . . . Bernstein, L. (2010). Long-Term Exposure to Constituents of Fine Particulate Air Pollution. Environmental Health Perspectives 118, 363-369. Pakkanen, T. A., Kerminen, V.-M., Ojanen, C. H., Hillamo, R. E., Aarnio, P., & Koskentalo, T. (2000). Atmospheric black carbon in Helsinki. Atmospheric Environment 34, 1497-1506. Petzold, A., Schloesser, H., Sheridan, P. J., Arnott, W. P., Ogren, J. A., & Virkkula, A. (2005). Evaluation of Multiangle Absorption Photometry for Measuring Aerosol Light Absorption. Aerosol Science and Technology 39, 40-51. Pew Center on Global Climate Change. (2010). What is Black Carbon? Arlington, VA: Pew Center on Global Climate Change. Ramana, M. V., Ramanathan, V., Feng, Y., Yoon, S.-C., Kim, S.-W., Carmichael, G. R., & Schauer, J. J. (2010). Warming influenced by the ratio of black carbon to sulphate and the black-carbon source. Nature Geoscience 3, 542-545. Ramanathan, V., & Carmichael, G. R. (2008). Global and regional climate changes due to black carbon. Nature Geoscience 1, 221-227. U.S. Environmental Protection Agency. (2012). Report to Congress on Black Carbon. Washington, D.C.: U.S. Environmental Protection Agency. Unger, N., Bond, T. C., Wang, J. S., Koch, D. M., Menon, S., Shindell, D. T., & Bauer, S. (2010). Attribution of climate forcing to economic sectors. Proceedings of the National Academy of Sciences 107, 3382-3387. Viidanoja, J., Sillanpää, M., Laakia, J., Kerminen, V.-M., Hillamo, R., Aarnio, P., & Koskentalo, T. (2002). Organic and black carbon in PM2.5 and PM10: 1 year of data from an urban site in Helsinki, Finland. Atmospheric Environment 36, 31833193. von Klot, S., Cyrys, J., Hoek, G., Kühnel, B., Pitz, M., Kuhn, U., . . . Peters, A. (2011). Estimated Personal Soot Exposure Is Associated With Acute Myocardial Infarction Onset in a Case-Crossover Study. Progress in Cardiovascular Diseases 53, 361368.
66
Bibliografie Watson, J. G., Chow, J. C., & Chen, L.-W. A. (2005). Summary of Organic and Elemental Carbon/Black Carbon Analysis Methods and Intercomparisons. Aerosol and Air Quality Research 5, 65-102. Weingartner, E., Saathoff, H., Schnaiter, M., Streit, N., Bitnar, B., & Baltensperger, U. (2003). Absorption of light by soot particles: determination of the absorption coefficient by means of aethalometers. Journal of Aerosol Science 34, 1445-1463. Zhu, Y., Hinds, W. C., Kim, S., Shen, S., & Sioutas, C. (2002). Study of ultrafine particles near a major highway with heavy-duty diesel traffic. Atmospheric Environment 36, 4323-4335.
67
68
Bijlagen
Bijlagen Bijlage 1
Spitsfactoren CAR-model werkdag
zaterdag
zondag
av
zv
av
zv
av
zv
0u-1u
0,42
0,23
1,47
1,71
2,18
1,62
1u-2u
0,26
0,25
0,97
1,25
1,59
1,04
2u-3u
0,16
0,39
0,66
1,21
1,12
1,00
3u-4u
0,24
0,57
0,53
1,25
0,86
0,60
4u-5u
1,02
1,33
0,53
1,70
0,69
0,74
5u-6u
2,52
2,78
0,84
2,60
0,77
1,12
6u-7u
3,78
5,43
1,28
4,17
1,02
1,82
7u-8u
8,00
6,07
2,16
5,42
1,45
2,14
8u-9u
7,39
7,58
4,06
6,74
2,60
2,86
9u-10u
5,27
7,38
5,96
7,75
4,35
4,40
10u-11u
5,41
7,77
7,08
7,99
5,81
5,62
11u-12u
5,22
7,40
7,13
7,53
6,91
6,13
12u-13u
5,56
7,03
6,48
6,81
6,36
5,49
13u-14u
6,39
7,79
6,88
6,68
6,00
6,21
14u-15u
5,94
7,10
7,69
6,63
7,13
6,78
15u-16u
6,05
6,96
7,50
5,93
7,40
6,60
16u-17u
8,14
6,52
7,52
5,55
7,84
6,88
17u-18u
8,32
5,39
7,70
5,29
8,51
7,72
18u-19u
6,41
4,25
7,12
4,48
8,17
7,69
19u-20u
4,11
2,98
5,65
3,30
6,79
7,05
20u-21u
3,11
2,40
3,57
2,10
5,16
5,99
21u-22u
3,02
1,17
2,47
1,56
3,54
4,78
22u-23u
2,13
0,66
2,47
1,31
2,38
3,53
23u-24u 1,11 0,56 2,28 1,03 1,36 av = alle verkeer; zv = zwaar verkeer
2,20
69
Bijlagen
70
Bijlagen
Bijlage 2
Wegenkaart
Short description of dataset Name of dataset Type of data Accuracy/resolution dataset Completeness Coordinate system Year for which data are available Source of the data
Remarks
Attribuut Wegtype Stedelijkheidsgraad Gemiddelde snelheid LV-uurintensiteit ZV-uurintensiteit LV-dagintensiteit ZV-dagintensiteit Totale dagintensiteit
Flanders road network with linked peak hour traffic intensities Multimodaal model Vlaanderen (MMM2007) (Flemish multimodal traffic model) Vector Approximately 40% of total road length is included in this dataset, including all the main roads. No traffic is assigned to 3% of all segments. Covers whole of the Flanders (Northern Belgium) Lambert-72 (Lambert Conformal Conic) 2007 Flemish Traffic Control Centre (Vlaams Verkeerscentrum) Only evening peak hour intensities for an average workday were available. For light traffic, these were multiplied by 12.02 to obtain daily workday traffic intensity, and by 0.96 to obtain 24-h averages over entire weeks, following the Belgian CAR manual: http://www.tmleuven.be/project/car/Handleiding_CARVlaanderen_v2.0.pdf (In Dutch). For heavy traffic a similar methodology was used: peak hour intensities were multiplied by 18.55 to obtain daily traffic intensities, and by 0.80 to obtain 24-h averages over entire weeks. Total traffic is calculated as the sum of light and heavy traffic.
Omschrijving 1 = snelweg 8 = lokale weg 0 = snelweg (behalve in OVL en VLB, aangepast a.d.h.v. wegtype) 1 = grote stad / stadskern 2 = kleine stad / stadsrand 3 = platteland km/u Aantal lichte voertuigen, gemeten tijdens een spitsuur in de namiddag Aantal zware voertuigen, gemeten tijdens een spitsuur in de namiddag Metingen licht verkeer omgerekend naar een totale waarde voor een gemiddelde dag Metingen zwaar verkeer omgerekend naar een totale waarde voor een gemiddelde dag Som van licht verkeer en zwaar verkeer
71
Bijlagen
72
Bijlagen
Bijlage 3
Correlatiematrices
Auto Pearson Correlation Coefficients, N = 3837 Prob > |r| under H0: Rho=0
bc
bc
av
zv
trip_time
trip_dur
1.00000
0.13720 <.0001
0.09805 <.0001
0.11748 <.0001
0.13125 <.0001
Auto (toegedeeld) Pearson Correlation Coefficients, N = 486558 Prob > |r| under H0: Rho=0
bc
bc
Speed
snelheidav
AV_uurint
ZV_uurint
1.00000
0.07407 <.0001
0.15548 <.0001
0.35234 <.0001
0.31087 <.0001
Bus Pearson Correlation Coefficients, N = 189 Prob > |r| under H0: Rho=0
bc
bc
av
zv
trip_time
trip_dur
1.00000
0.22219 0.0021
0.21729 0.0027
0.01597 0.8274
-0.13770 0.0588
Bus (toegedeeld) Pearson Correlation Coefficients, N = 23908 Prob > |r| under H0: Rho=0
bc
bc
Speed
snelheidav
AV_uurint
ZV_uurint
1.00000
-0.08006 <.0001
-0.20193 <.0001
-0.00323 0.6177
-0.07966 <.0001
Fiets Pearson Correlation Coefficients, N = 1166 Prob > |r| under H0: Rho=0
bc
bc
av
zv
trip_time
trip_dur
1.00000
-0.05300 0.0704
-0.06236 0.0332
-0.01107 0.7057
-0.08288 0.0046
73
Bijlagen
Fiets (toegedeeld) Pearson Correlation Coefficients, N = 74851 Prob > |r| under H0: Rho=0
bc
bc
Speed
snelheidav
AV_uurint
ZV_uurint
1.00000
-0.09878 <.0001
-0.00941 0.0100
0.15719 <.0001
0.04496 <.0001
Te voet Pearson Correlation Coefficients, N = 1161 Prob > |r| under H0: Rho=0
bc
bc
av
zv
trip_time
trip_dur
1.00000
-0.20987 <.0001
-0.19821 <.0001
-0.03503 0.2330
-0.09218 0.0017
Te voet (toegedeeld) Pearson Correlation Coefficients, N = 45276 Prob > |r| under H0: Rho=0
bc
bc
Speed
snelheidav
AV_uurint
ZV_uurint
1.00000
0.02908 <.0001
-0.02478 <.0001
-0.03163 <.0001
0.02022 <.0001
Tram & metro Pearson Correlation Coefficients, N = 72 Prob > |r| under H0: Rho=0
bc
bc
av
zv
trip_time
trip_dur
1.00000
0.14649 0.2195
0.00269 0.9821
-0.10341 0.3874
-0.10894 0.3623
Trein Pearson Correlation Coefficients, N = 614 Prob > |r| under H0: Rho=0
bc
74
bc
av
zv
trip_time
trip_dur
1.00000
0.06817 0.0915
0.10504 0.0092
-0.09136 0.0236
-0.05956 0.1404
Bijlagen
Bijlage 4
Modellen
Auto Dependent Variable: bc Number of Observations Read Number of Observations Used
3837 3837
Analysis of Variance
DF
Sum of Squares
Mean Square
2 3834 3836
6058300513 1.277514E11 1.338097E11
3029150256 33320648
Root MSE Dependent Mean Coeff Var
5772.40404 6286.47139 91.82264
Source Model Error Corrected Total
R-Square Adj R-Sq
F Value
Pr > F
90.91
<.0001
0.0453 0.0448
Parameter Estimates
Variable
DF
Parameter Estimate
Standard Error
t Value
Pr > |t|
Type II SS
Intercept PeakP PeakW
1 1 1
5514.83176 2139.80853 -752.72422
166.15105 217.05932 252.47911
33.19 9.86 -2.98
<.0001 <.0001 0.0029
36708936797 3238220426 296165395
Bus Dependent Variable: bc Number of Observations Read Number of Observations Used
189 189
Analysis of Variance
DF
Sum of Squares
Mean Square
1 187 188
527744198 6578165200 7105909399
527744198 35177354
Root MSE Dependent Mean Coeff Var
5931.04999 6567.18872 90.31338
Source Model Error Corrected Total
R-Square Adj R-Sq
F Value
Pr > F
15.00
0.0001
0.0743 0.0693
75
Bijlagen Parameter Estimates
Variable
Label
Intercept PeakP
Intercept
DF
Parameter Estimate
Standard Error
t Value
Pr > |t|
Type II SS
1 1
5072.58581 3362.85656
578.81121 868.21682
8.76 3.87
<.0001 0.0001
2701768309 527744198
Fiets Dependent Variable: bc Number of Observations Read Number of Observations Used
1166 1166
Analysis of Variance
DF
Sum of Squares
Mean Square
1 1164 1165
157273174 21619904006 21777177180
157273174 18573801
Root MSE Dependent Mean Coeff Var
4309.73325 3555.03751 121.22891
Source Model Error Corrected Total
R-Square Adj R-Sq
F Value
Pr > F
8.47
0.0037
0.0072 0.0064
Parameter Estimates
Variable
Label
Intercept PeakW
Intercept
DF
Parameter Estimate
Standard Error
t Value
Pr > |t|
Type II SS
1 1
3738.07860 -919.93930
141.01878 316.14203
26.51 -2.91
<.0001 0.0037
13050998342 157273174
Te voet Dependent Variable: bc Number of Observations Read Number of Observations Used
1161 1161
Analysis of Variance
Source Model Error Corrected Total
76
DF
Sum of Squares
Mean Square
1 1159 1160
935233046 19301455338 20236688384
935233046 16653542
F Value
Pr > F
56.16
<.0001
Bijlagen
Root MSE Dependent Mean Coeff Var
4080.87517 3174.73471 128.54224
R-Square Adj R-Sq
0.0462 0.0454
Parameter Estimates
Variable
DF
Parameter Estimate
Standard Error
t Value
Pr > |t|
Type II SS
Intercept PeakW
1 1
3799.56207 -1914.04899
145.93180 255.41502
26.04 -7.49
<.0001 <.0001
11289477467 935233046
Tram & metro Dependent Variable: bc Number of Observations Read Number of Observations Used
72 72
Analysis of Variance
Source
DF
Sum of Squares
Mean Square
Model Error Corrected Total
1 70 71
89301423 371343624 460645047
89301423 5304909
Root MSE Dependent Mean Coeff Var
2303.23879 5065.99422 45.46469
R-Square Adj R-Sq
F Value
Pr > F
16.83
0.0001
0.1939 0.1823
Parameter Estimates
Variable
Label
Intercept PeakP
Intercept
DF
Parameter Estimate
Standard Error
t Value
Pr > |t|
Type II SS
1 1
4069.88276 2241.25077
364.17403 546.26104
11.18 4.10
<.0001 0.0001
662557829 89301423
Trein Dependent Variable: bc Number of Observations Read Number of Observations Used
614 614
Analysis of Variance
77
Bijlagen
DF
Sum of Squares
Mean Square
0 613 613
0 2812505006 2812505006
. 4588100
Root MSE Dependent Mean Coeff Var
2141.98495 2394.20183 89.46551
Source Model Error Corrected Total
R-Square Adj R-Sq
F Value
Pr > F
.
.
0.0000 0.0000
Parameter Estimates
Variable
Label
Intercept
Intercept
78
DF
Parameter Estimate
Standard Error
t Value
Pr > |t|
Type II SS
1
2394.20183
86.44348
27.70
<.0001
3519572273
Auteursrechtelijke overeenkomst Ik/wij verlenen het wereldwijde auteursrecht voor de ingediende eindverhandeling: Analyse van het verband tussen Black Carbon blootstelling tripkarakteristieken afgeleid uit GPS-logs en dagboekjes
en
Richting: master in de verkeerskunde-mobiliteitsmanagement Jaar: 2012 in alle mogelijke mediaformaten, Universiteit Hasselt.
-
bestaande
en
in
de
toekomst
te
ontwikkelen
-
,
aan
de
Niet tegenstaand deze toekenning van het auteursrecht aan de Universiteit Hasselt behoud ik als auteur het recht om de eindverhandeling, - in zijn geheel of gedeeltelijk -, vrij te reproduceren, (her)publiceren of distribueren zonder de toelating te moeten verkrijgen van de Universiteit Hasselt. Ik bevestig dat de eindverhandeling mijn origineel werk is, en dat ik het recht heb om de rechten te verlenen die in deze overeenkomst worden beschreven. Ik verklaar tevens dat de eindverhandeling, naar mijn weten, het auteursrecht van anderen niet overtreedt. Ik verklaar tevens dat ik voor het materiaal in de eindverhandeling dat beschermd wordt door het auteursrecht, de nodige toelatingen heb verkregen zodat ik deze ook aan de Universiteit Hasselt kan overdragen en dat dit duidelijk in de tekst en inhoud van de eindverhandeling werd genotificeerd. Universiteit Hasselt zal wijzigingen aanbrengen overeenkomst.
Voor akkoord,
Temmerman, Philip Datum: 28/05/2012
mij als auteur(s) van de aan de eindverhandeling,
eindverhandeling identificeren en zal uitgezonderd deze toegelaten door
geen deze